Analisi di comunità in reti finanziarie
Transcript
Analisi di comunità in reti finanziarie
POLITECNICO DI MILANO FACOLT DI INGEGNERIA DEI SISTEMI FACOLTÀ Corso di Laurea Specialistica in Ingegneria Gestionale ANALISI DI COMUNITÀ IN RETI FINANZIARIE INANZIARIE Relatore: Chiar.mo Prof. CARLO ARLO PICCARDI Tesi di Laurea di: LISA CALATRONI Matr. 708034 Anno Accademico 2007/2008 Summary Summary The study of complex networks has received an enormous amount of attention from the scientific community in recent years. Research activity has dealt with a wide variety of real systems composed of a large number of highly interconnected units which can be represented by graph theory, such as Internet and the world wide web, social and communication networks, epidemic spreading mechanism, scientific citation and collaborations, ecological and food webs, biochemical networks of metabolic reactions or protein interactions, neural networks, and many others. Several studies have been carried out also in the economical and financial fields, especially in topics such as ownership relations and corporate control, pyramidal groups evolution and cross shareholding dynamics, financial architecture of corporations in national or global economies, interlocked directors among firms, decision problem decomposition into distinct tasks, distributed among the different units of an organization, both in formal (top management, business units) and informal structures (community of practice), networks of equities and financial time series correlation analysis. Community analysis is one of the most recent accomplishments of complex network research and consists of detecting the division of network nodes into i Summary groups within which the network connections are dense, but among which they are sparser. The ability to find and analyze such groups can provide invaluable help in understanding and visualizing the structure of the network. It is a computationally hard task, however, because algorithms must find a significant partition among an exponentially large number of them. Past work on methods for discovering groups in networks is divided into two main lines of research: graph partitioning and hierarchical clustering, which is further on divided into agglomerative and divisive algorithms. Nowadays researchers are working on a new family of algorithms, which optimize a quality function called modularity, i.e. a quantitative criterion to evaluate how good a partition is. The aim of this work is to analyze real financial networks investigating their community structure. The relevance of this topic is manifold: first, it allows one to extract some of the underlying information about those networks and investigate their topological properties. Groups of nodes concentrated into a community are likely to share common properties or play a similar role in the network. Furthermore, identifying communities and their boundaries allows one to classify vertices, according to their topological position in the groups. Tutorials to graph theory and community analysis are respectively included in Chapter 1 and Chapter 2. In the next three Chapters, different kinds of network will be considered: corporate board networks and director networks, ownership networks and asset return correlation networks. ii Summary The board network consists of boards connected through common directors. The director network is the one obtained taking directors as nodes, and a membership in the same board as a connection. The director network has a high degree of interlock, meaning that some directors serve on several boards at the same time, so that many boards are connected by shared directors. These networks, based on corporations listed on the Italian Stock Exchange, reveal strong community structure, highlighting a few phenomena typical of the Italian market, such as pyramidal groups, interlocks due to partnership, shared directors among firms playing the role of expert and consultant in topics such as law, governance and economy. Ownership networks, on the other side, describe direct ownership connections among Italian Stock Exchange listed firms: community analysis reveals, as well as for the board network, strong community structure, due to the presence of pyramidal listed groups and cross-ownership. It is possible to quantify the similarity between the board network partition and the ownership network, underlining the lack of separation between ownership and control in this market. The last case analyzed in this work is about the asset return correlation network for Dow Jones Industrial Average and S&P/MIB, namely the indices listed respectively on New York Stock Exchange and Borsa Italiana. Financial time series carry a large amount of non-redundant information and, for instance, measures of cross correlation between daily stock prices and volume traded for listed companies provide empirical evidence about the existence and nature of common economic factors which drive the time evolution of stock prices. The iii Summary community analysis on these networks reveals the inner difference in the structure of American and Italian markets: while in the former the leading factor to form a community is the industrial field which the company belongs to, in the latter no community structure is actually detected. The reason lies in the presence of tight ownership ties among the most representative companies for this market, which are exactly the ones listed on the considered index. iv Introduzione Introduzione Lo studio delle reti complesse ha ricevuto un’enorme attenzione da parte della comunità scientifica durante l’ultimo decennio (si vedano ad esempio Barabási e Albert (1999) [5], Strogatz (2001) [36], Ravasz et al. (2002) [4], Albert e Barabási (2002) [37], Dorogovtsev e Mendes (2003) [38]). La teoria delle reti è stata applicata con successo ad un vasta gamma di sistemi reali composti da un ampio numero di unità discrete interconnesse tra di loro, tra i quali, ad esempio, Internet e il world wide web (Faloutsos et al. (1999) [39], Albert et al. (1999) [40], Broder et al. (2000) [41]), reti epidemiologiche (Kleczkowski e Grenfell (1999) [42], Moore e Newman (2000) [43], Pastor-Satorras e Vespignani (2001) [44], May e Lloyd (2001) [45]), reti di citazioni bibliografiche e collaborazioni scientifiche (Redner (1998) [46], Newman (2001) [47]), reti biologiche tra cui reazioni metaboliche, interazioni tra proteine o neurali (Jeong et al. (2000) [48], Wagner e Fell (2001) [49]), reti ecologiche(Dunne et al. (2002) [50], Camacho et al. (2002) [51]). Anche in economia e finanza sono state effettuate numerose ricerche per diverse tipologie di reti. Alcuni autori, tra cui Flath (1992) [52], Faccio e Lang (2002) [28], Chapelle (2005) [53], Bertoni e Randone (2006) [25], D’Errico et al. (2008) [26], hanno studiato reti di ownership e di controllo, la formazione di gruppi v Introduzione piramidali e i meccanismi di cross-shareholding. Altri autori invece, come Kogut e Walker (2001) [54], Garlaschelli et al. (2005) [24], Corrado e Zollo (2006) [55], Battiston et al. (2007) [56], si sono focalizzati sulla struttura finanziaria delle società a livello di economia nazionale e globale. Altri ancora, come Davis et al. (1997) [57] e (2003) [58], Battiston et al. (2003) [59] e (2004) [18], Caldarelli e Catanzaro (2004) [22], Grassi et al.(2008) [20] si sono concentrati sulle reti di interlock tra consigli di amministrazione e sulle implicazioni che ne derivano nel processo decisionale. Altre tipologie di reti legate alla sfera economico-gestionale sono quelle organizzative, in cui viene studiato come un problema decisionale complesso possa essere scomposto gerarchicamente in task, da distribuire all’interno dell’organizzazione, partendo dal top management fino alle cosiddette community of practice: alcuni esempi si trovano in Bowles e Gintis (2002) [60] e in Dodds et al. (2003) [61]. Infine altri autori hanno lavorato su reti di correlazione tra serie temporali finanziarie, come Mantegna (1999) [29], Bonanno et al. (2004) [35], Brida e Risso (2007) [30], [31] e (2008) [32]. Tra gli sviluppi più recenti della teoria delle reti si colloca l’analisi di comunità. Una rete presenta una struttura in comunità quando è possibile partizionarla in sottoreti (dette appunto comunità, o cluster) caratterizzate da una densità di collegamenti interni (cioè tra gli elementi della comunità stessa) molto maggiore rispetto alla densità di collegamenti tra una comunità e l’altra. Tipicamente, in una rete in cui sia presente una struttura in comunità, esistono gruppi di nodi molto connessi, altri isolati e altri ancora che agiscono come ponte tra le diverse comunità. Di conseguenza, evidenziare una struttura di questo tipo all’interno di vi Introduzione una rete rappresenta un potente strumento per comprenderne la topologia e il funzionamento. L’analisi di comunità ha una lunga storia, ma solo di recente ha avuto grande impulso, (si veda ad esempio Newman (2006) [9], Leicht e Newman (2008) [12], Karrer et al. (2008) [14], Blondel et al. (2008) [15]) anche grazie allo sviluppo di algoritmi di cluster detection sempre più efficienti, che si dividono in tre grandi famiglie: graph partitioning, hierarchical clustering (divisivo e agglomerativo) e massimizzazione di una funzione obiettivo chiamata modularità. In particolare la ricerca, attualmente, si sta concentrando sulla terza tipologia. Molte reti reali sono caratterizzate da una struttura in comunità (si vedano gli esempi presentati negli articoli sopra citati): lo scopo di questo lavoro è applicare l’analisi di comunità a reti di tipo economico e finanziario. L’identificazione di comunità in questo tipo di reti è importante per molteplici aspetti: è evidente che la conoscenza della topologia della rete può fornire molte informazioni sul suo funzionamento, quindi un complesso mercato finanziario può essere analizzato strutturalmente individuandone prima le comunità e indagando poi la logica con cui si formano. Le comunità sono infatti gruppi di vertici che, presumibilmente, hanno proprietà in comune oppure hanno lo stesso ruolo all’interno della rete. Inoltre l’identificazione dei confini di una comunità permette di classificarne i vertici in base alla posizione che assumono all’interno della comunità stessa (ad esempio vertici con ruolo di controllo e stabilità nel gruppo, oppure di funzione ponte con altre comunità). In questo lavoro l’analisi di comunità verrà applicata a tre diverse tipologie di reti finanziarie. vii Introduzione La prima corrisponde al caso della corporate board network e della corporate director network di Borsa Italiana: sono due tipi di reti essenzialmente di tipo sociale, ossia di interazione tra individui, la cui struttura discende dai meccanismi di corporate governance delle società di capitali. La prima rete descrive l’interazione tra consigli di amministrazione di Borsa Italiana in base alla condivisione di uno o più consiglieri, mentre la seconda rete corrisponde al caso duale in cui l’interazione tra consiglieri sussiste se essi siedono in almeno un consiglio di amministrazione in comune. L’analisi di queste due reti evidenzia l’effettiva presenza di comunità, formate in base a meccanismi riconducibili ad alcuni fenomeni tipici del mercato italiano, come l’esistenza di gruppi piramidali, di partnership tra società e la funzione di consulenza da parte di alcuni consiglieri che fungono da esperti all’interno di più board. Il secondo caso analizzato riguarda la ownership network, che descrive l’intreccio di partecipazioni azionarie tra le società quotate in Borsa Italiana: l’analisi di comunità in questa rete evidenzia, come nel caso precedente, una forte struttura in comunità, riconducibile all’esistenza di numerosi gruppi piramidali nel mercato italiano. Un’ulteriore indagine di tipo quantitativo mette in luce la sostanziale similarità tra la partizione della ownership network e quella della board network, evidenziando la mancanza di separazione tra proprietà e controllo societario nel mercato italiano. L’ultimo caso analizzato è relativo a reti di correlazione tra serie temporali di due importanti indici aggregati di Borsa: il Dow Jones Industrial Average (DJIA) della Borsa di New York, e l’S&P/MIB di Borsa Italiana. Le serie considerate sono viii Introduzione relative ai prezzi di chiusura e ai volumi giornalieri scambiati per i titoli appartenenti al paniere dei due indici, a partire dalle quali sono state costruite le reti di correlazione. L’analisi di comunità delinea la differenza strutturale tra il mercato statunitense e quello italiano. Nel caso americano, il cui mercato è caratterizzato da società a capitale diffuso e da netta separazione tra proprietà e controllo, la divisione in comunità riproduce essenzialmente la partizione dei titoli considerati nei rispettivi settori industriali di attività. Nel caso italiano, invece, non esiste una sostanziale struttura in comunità: i titoli del paniere sono strettamente legati da partecipazioni azionarie, causando una forte correlazione tra le loro serie temporali. Il lavoro è strutturato in cinque capitoli così organizzati: nel Capitolo 1 vi è un richiamo alla teoria dei grafi, evidenziandone proprietà e caratteristiche fondamentali, in quanto strumenti utili per la modellizzazione delle reti reali che verranno in seguito discusse. Nel Capitolo 2 viene introdotto il tema dell’analisi di comunità, descrivendone le caratteristiche e fornendo alcuni esempi illustrativi. Segue una rassegna dei più importanti algoritmi di cluster detection, con particolare attenzione a quello che verrà utilizzato nei capitoli successivi per l’analisi di alcuni casi di studio trattati. Nella terza parte di questo capitolo, infine, si introduce il problema del confronto tra possibili partizioni in comunità di un medesimo grafo, individuando un indicatore di somiglianza tra due partizioni in comunità per una stessa rete. Nei tre capitoli seguenti vengono esposti i tre casi di studio sopra introdotti. Il Capitolo 3 descrive l’analisi della “corporate board network” e della “corporate director network”. Dopo un richiamo sui concetti e le ix Introduzione problematiche della corporate governance in Italia, è decritta la metodologia con cui si costruiscono le due reti. Segue poi l’analisi topologica delle reti e l’analisi di comunità. Infine, si interpretano i risultati ottenuti. Il Capitolo 4 descrive la rete di ownership: innanzitutto vengono richiamati i fondamenti teorici relativi alle partecipazioni azionarie, per poi esporre i principali metodi per costruire la rete, entrando nel dettaglio delle scelte fatte per questo caso. Segue poi un’analisi topologica della rete e l’analisi di comunità. È esposto, infine, il confronto tra la ownership network e la board network trattata nel Capitolo 3. Nell’ultimo Capitolo, il 5, sono innanzitutto descritti alcuni metodi per creare reti di correlazione fra prezzi, per poi applicarli ai due diversi indici, il Dow Jones Industrial Average e l’S&P/MIB. Le reti vengono poi investigate mediante l’analisi di comunità. Infine i risultati ottenuti vengono analizzati ed interpretati nell’ottica del confronto con altri metodi utilizzati in letteratura per il clustering di serie finanziarie. x Indice 1. Elementi di teoria delle reti ...................................................................................... 1 1.1 Elementi di teoria dei grafi..............................................................................................1 1.2 Indicatori caratteristici ....................................................................................................7 2. Le comunità: definizione, proprietà e algoritmi..................................................... 13 2.1 La struttura in comunità ................................................................................................14 2.2 Algoritmi .......................................................................................................................18 2.2.1 Graph partitioning ..................................................................................................19 2.2.2 Hierarchical Clustering ..........................................................................................20 2.2.3 Modularity Optimization........................................................................................23 2.3 Indicatori per il confronto tra partizioni ........................................................................29 3. Caso di studio: “corporate board network” e “corporate director network” .......... 32 3.1 Modelli di corporate governance ..................................................................................33 3.2 La “corporate board network” e la “corporate director network” .................................38 3.3 La rete bipartita di consiglieri e consigli di amministrazione .......................................40 3.4 Le proiezioni della rete bipartita: la board network e la director network ....................44 3.5 Analisi della struttura in comunità delle reti .................................................................52 3.6 Analisi dei risultati ........................................................................................................54 4. Caso di studio: “ownership network” .................................................................... 66 4.1 Azioni e partecipazioni rilevanti ...................................................................................67 4.2 La “ownership network” ...............................................................................................71 4.3 La ownership network di Borsa Italiana .......................................................................74 4.3.1 La rete orientata .....................................................................................................74 4.3.2 La rete non orientata ..............................................................................................78 4.3.3 L’analisi della struttura in comunità ......................................................................81 5. Caso di studio: “asset return correlation network” ................................................ 92 5.1 Mercati finanziari e analisi delle serie storiche .............................................................93 5.2 Le reti di correlazione tra prezzi ...................................................................................94 5.2.1 Distanza con metodo Mantegna .............................................................................94 5.2.2 Distanza con simbolizzazione monodimensionale.................................................96 5.2.3 Distanza con simbolizzazione bidimensionale.......................................................97 5.2.4 Peso degli archi ......................................................................................................98 5.3 Il set di dati..................................................................................................................100 5.4 Analisi delle comunità ................................................................................................103 5.4.1 Analisi dei risultati per l’indice DJIA ..................................................................106 5.4.2 Analisi dei risultati per l’indice S&P/MIB...........................................................113 Conclusioni .............................................................................................................. 119 Bibliografia .............................................................................................................. 123 Siti web visitati......................................................................................................... 129 Appendici ...................................................................................................................... i Appendice A – Board network.............................................................................................. i Appendice B – Director network ........................................................................................ iii Appendice C - Ownership network.................................................................................... xii Capitolo 1 – Elementi di teoria delle reti Capitolo 1 Elementi di teoria delle reti Sistemi biologici, reti neurali, interazioni sociali, insiemi di documenti (quali ad esempio il World Wide Web), reti telefoniche, sono solo alcuni esempi di sistemi composti da un ampio numero di unità discrete interconnesse tra di loro. Il primo approccio per catturarne le proprietà globali è di modellarli come grafi, i cui nodi rappresentano le unità discrete e gli archi le interazioni tra essi. I paragrafi seguenti vogliono entrare nel dettaglio della teoria dei grafi, evidenziandone proprietà e caratteristiche fondamentali, in quanto strumenti fondamentali per la modellizzazione delle reti reali che successivamente verranno trattate come casi di studio. 1.1 Elementi di teoria dei grafi1 Un grafo è una coppia ordinata , di insiemi, con insieme dei nodi ed insieme degli archi, tali che 0 e gli elementi di siano coppie 1 Il contenuto teorico della sezione 1.1 è tratto dagli articoli [1] e [2] in Bibliografia. 1 Capitolo 1 – Elementi di teoria delle reti di elementi di , ovvero . Gli elementi di , , …, sono i nodi (o vertici) del grafo , mentre gli elementi di , , …, sono gli archi (o link). Il numero di elementi in o si denota rispettivamente con e e il grafo si indica con , . Gli elementi di sono usualmente indicati mediante i primi || numeri naturali mentre il singolo nodo è generalmente indicato con il suo ordine all’interno dell’insieme . Un grafo può essere non orientato oppure orientato. In un grafo non orientato ogni arco è definito da una coppia di nodi e e identificato come , oppure . L’arco che unisce i due nodi è detto incidente nei nodi e , i quali sono chiamati estremi dell’arco , . Due nodi uniti da un arco sono detti vicini o adiacenti. In un grafo orientato invece gli archi hanno una direzione e assume importanza l’ordine dei due nodi, infatti è un arco da a , quindi l’arco è uscente da ed entrante in . I grafi orientati possono essere considerati una generalizzazione dei grafi non orientati: infatti un arco non orientato può essere rappresentato per mezzo di una coppia di archi orientati. Un grafo può anche essere pesato: in questo caso è una tripla ordinata di insiemi , , , con , , …, insieme dei nodi (o vertici), , , …, insieme degli archi (o link) e , , …, insieme dei pesi, cioè numeri reali associati ordinatamente ad archi. Anche in questo caso, il numero di elementi in si denota con mentre quello di e si denota con . In questo tipo di grafo la natura dell’arco non è più binaria ma vuole descrivere 2 Capitolo 1 – Elementi di teoria delle reti anche l’intensità della relazione tra due nodi. Sia i grafi orientati sia quelli non orientati possono essere pesati. orientato (b), e pesato non orientato (c) con 7 nodi e 14 archi. Nel grafo Figura 1.1, tratta da [1]. Rappresentazione grafica di un grafo non orientato (a), orientato, i nodi adiacenti sono connessi da frecce, per indicare la direzione dell’arco. Nel grafo pesato i valori rappresentano i pesi degli archi, la cui grandezza è graficamente evidenziata dallo spessore della linea. Per un grafo orientato di dimensione , il numero di archi può variare da 0 a ! 1, quando tutti i nodi sono adiacenti a coppie. è sparso se # e denso se $ . Quando ! 1 allora , si dice completo. Un sottografo % %, % di , è un grafo in cui & ed % . Se % contiene tutti gli archi di che uniscono due nodi in %, allora % è detto sottografo indotto da %. La raggiungibilità tra due diversi nodi è un elemento centrale nella topologia di un grafo. Un percorso dal nodo al nodo è sequenza di nodi adiacenti che inizia con e finisce con . La lunghezza del percorso è definita dal numero di archi 3 Capitolo 1 – Elementi di teoria delle reti toccati dalla sequenza. Un cammino è un percorso in cui ciascun nodo è visitato al più una volta. Il cammino di lunghezza minima tra due nodi è detto geodetica o distanza. Un circuito (o ciclo) è un cammino chiuso, di almeno due nodi, in cui ogni arco è toccato non più di una volta. Un grafo è connesso quando, per ogni coppia di nodi distinti e , c’è un cammino che li collega, altrimenti è disconnesso o non connesso. Un componente di un grafo è un sottografo indotto connesso. Un giant component è un componente la cui dimensione è dello stesso ordine di grandezza di . Un grafo può essere rappresentato in forma matriciale, infatti è completamente descritto dalla matrice di adiacenza ', una matrice quadrata ( i cui elementi ) 1, . . , sono uguali a 1 se l’arco esiste, 0 altrimenti. ' è simmetrica se il grafo non è orientato, asimmetrica nel caso opposto. Nel caso di grafo pesato gli elementi della matrice, che in questo caso vengono indicati con , assumono, anziché valore binario, il valore del peso dell’arco se questo esiste, 0 altrimenti. Figura 1.2, tratta da [2]. Il grafo raffigurato è composto da 4 nodi e 5 archi. È '. Ad esempio, la prima colonna della matrice rappresenta gli archi entranti nel orientato e non pesato. Sulla destra è riportata la corrispondente matrice di adiacenza nodo 1, mentre la prima riga riporta gli archi uscenti dal medesimo nodo. 4 Capitolo 1 – Elementi di teoria delle reti Un particolare tipo di grafo è il grafo bipartito, cioè un grafo non orientato in cui l’insieme dei vertici si può partizionare in due sottoinsiemi tali per cui ogni arco può collegare solo coppie di vertici che non appartengono alla medesima partizione: è quindi formato dall’unione di due insiemi disgiunti indipendenti 1 e 2, ciascuno dei quali non contiene alcun arco interamente contenuto in esso. Figura 1.3 Esempio di grafo bipartito, tratto da [2]. Ci sono due classi di nodi e gli archi sono assegnati solo tra coppie di nodi che non appartengono alla medesima classe. La proiezione della rete bipartita in uno dei due sottoinsiemi di nodi consiste in un nuovo grafo in cui sono presenti i soli nodi della classe scelta e per cui ogni arco implica che, nel grafo bipartito originale, i due nodi fossero connessi per mezzo di un terzo nodo appartenente all’altra classe. Per esempio, prendendo in riferimento la Figura 1.3 assumiamo che ogni nodo identificato da una lettera rappresenti una persona e che ogni nodo identificato da un numero rappresenti un team a cui appartiene. Ogni persona può appartenere a più team. Il grafo bipartito può essere proiettato sui due diversi insiemi di nodi: 5 Capitolo 1 – Elementi di teoria delle reti per la proiezione nell’insieme delle persone, un arco collega due persone se e solo se queste partecipano ad almeno un team in comune, altrimenti l’arco non esiste. Allo stesso modo nello spazio dei team, un arco collega una coppia di team solo se essi hanno almeno un partecipante in comune. , è la matrice di adiacenza del grafo bipartito, di dimensione -×, con - numero di nodi di tipo persona e di tipo team. Questa matrice è binaria e, in generale, non è quadrata. Ogni elemento ./ vale 1 se e solo se esiste un arco tra 0 e , cioè se la persona 0 partecipa al team , vale 0 altrimenti. Per quanto riguarda la proiezione nell’insieme di nodi di tipo team, va evidenziato che il numero di persone partecipanti ai team e è equivalente al numero di cammini di lunghezza 2 che connettono e nel grafo bipartito; questo numero può rappresentare il peso delle connessioni tra e e risulta in modo naturale eseguendo le seguenti operazioni sulla matrice di adiacenza ,. Definita 1 la matrice di adiacenza per la proiezione nello spazio dei team, di dimensione ×, con elementi 2 pari a peso , se e sono connessi da un 0 altrimenti, è possibile scrivere ogni elemento della matrice come 2 ∑/ ./ ./ , ossia 1 ,4 ,. In modo analogo la proiezione nello spazio dei nodi di tipo persona è descritta da una matrice di adiacenza 5 di dimensione -× - i cui elementi sono definiti come 6/7 ∑ ./ .7 , ovvero 5 ,,4 . Le matrici di adiacenza delle due proiezioni, oltre ad essere quadrate, sono anche simmetriche, poiché i due grafi ottenuti non sono orientati. 6 Capitolo 1 – Elementi di teoria delle reti 1.2 Indicatori caratteristici2 In un grafo non orientato, il grado ki di un nodo è il numero di archi incidenti con il nodo, cioè il numero di nodi adiacenti ad , e si definisce, in termini di matrice di adiacenza ', come 8 ∑9: ) . In un grafo orientato il grado di un nodo ha due componenti: il numero di archi uscenti 8;<= ∑ ) , detto grado uscente di un nodo, e il numero di archi entranti 8> ∑ ) , detto grado entrante di un nodo. Il grado totale è definito come 8 8;<= ? 8> . La lista dei gradi dei nodi di un grafo è detta sequenza di grado. Per un dato grafo 8 prende valori in un intervallo 8@> A 8 A 8@BC . In un grafo di nodi e archi, il grado medio è definito come D 2 . La caratteristica topologica più importante di un grafo è la distribuzione di grado E8, che specifica la frazione di nodi della rete che hanno esattamente grado 8 e si definisce come la probabilità che un nodo scelto a caso abbia grado 8. In caso di grafo orientato, è anche possibile definire le due distribuzioni E8 > e E8 ;<= . 2 Il contenuto teorico della sezione 1.2 è tratto dagli articoli [1] e [2] in Bibliografia. 7 Capitolo 1 – Elementi di teoria delle reti Esempio 1.1 Le Poisson random network, introdotte da P. Erdös e A. Rényi [3], sono grafi con nodi e in cui ogni arco congiungente ogni possibile coppia di nodi è tracciato con probabilità F. La distribuzione di grado è di tipo binomiale: !1 I E8 8 G H F 1 ! FJJI , 8 dove FI è la probabilità di esistenza di 8 archi, 1 ! FJJI è la probabilità che i rimanenti ! 1 ! 8 archi siano assenti, KJ L è il numero di possibili modi in I cui si può scegliere il nodo coda per i k archi connessi al nodo testa. Per grande, la distribuzione di grado è approssimata dalla distribuzione di Poisson: limPQ FI R S T UV I! EXYYXD; 8. Esempio 1.2 Le reti scale-free, secondo [5], sono grafi caratterizzati da una distribuzione di grado che segue una legge di potenza, cioè una funzione monotona decrescente del tipo E8 [ 8 J\ , con 8 0 e con ], parametro della distribuzione, normalmente compreso tra i valori 2 e 4. Questo tipo di rete si ottiene aggiungendo un nodo alla volta a una rete esistente, collegandolo “preferenzialmente” (cioè con probabilità più elevata) a nodi con grado elevato. Nodi di questo tipo vengono detti hub. Le reti scale-free riescono a descrivere molte reti reali, ad esempio quelle biologiche (il sistema nervoso, la rete di 8 Capitolo 1 – Elementi di teoria delle reti interazioni tra proteine e geni, reti metaboliche) e quelle sociali (reti di attori che hanno collaborato in film, World Wide Web, e-mail network, rete di citazioni in articoli scientifici). Figura 1.4, tratta da [4]. La figura a mostra una Poisson random network e in b il relativo grafico di distribuzione di grado, caratterizzato dal forte picco intermedio. Nelle random networks la maggior parte dei nodi ha approssimativamente lo stesso grado e solo pochi casi si discostano considerevolmente dal valor medio. Nella figura c invece la rete è scale-free e molti nodi hanno solo pochi collegamenti, mentre ci sono tre hub colorati in nero, i quali hanno un grado molto più elevato. In d è riportato il grafico riguardante la tipica distribuzione di grado della scale-free potenza E8 [ 8 J\ , che appare come una linea retta con pendenza !] se plottata in network, che non presenta picchi e per k grande decade secondo una legge di scala logaritmica. 9 Capitolo 1 – Elementi di teoria delle reti Dal concetto di distanza, invece, derivano due indicatori che evidenziano la struttura interna di un grafo e il grado di separazione tra i suoi nodi: essi sono il diametro e la distanza media. A partire dal calcolo della distanza ^ da a per ogni coppia di nodi del grafo, il diametro rappresenta il valore massimo assunto da ^ , in altre parole la distanza massima tra tutte quelle calcolate su ogni coppia di nodi. La distanza media invece, chiamata anche lunghezza caratteristica, è definita come la media delle distanze calcolata su tutte le coppie di nodi, cioè _ J ` ,9,a ^ . Infine esiste un gruppo di indicatori che misurano l’autorità di ogni nodo e la sua centralità all’interno del grafo: uno di essi è l’eigenvector centrality. Si basa sul principio per cui un nodo è tanto più importante quanto più è connesso a molti vicini (cioè ha grado elevato) e tanto più tali vicini sono a loro volta importanti. Nel caso di grafo non orientato e non pesato, assumendo che l’importanza di un nodo si misuri con b , allora l’eigenvector centrality del nodo è proporzionale alla somma dell’eigenvector centrality di tutti i nodi cui è connesso: 1 1 b ` b ` ) b , c c 9e d dove è l’insieme dei nodi connessi al nodo , è il numero totale di nodi e c una costante. Usando la notazione matriciale possiamo scrivere f g 'f, ovvero 'f cf, che è l’equazione degli autovettori di una matrice. Se la rete rappresentata da ' è connessa, allora il teorema di Froebenius-Perron garantisce 10 Capitolo 1 – Elementi di teoria delle reti che esiste una sola soluzione con c h 0 e b h 0 per ogni (a meno di un fattore moltiplicativo per f). Normalizzando tale soluzione in modo che ∑ b 100, si indica autorità il valore di centralità b del nodo , che risulta così espressa in percentuale. Una versione più sofisticata dell’eigenvector centrality [33] può essere calcolata prendendo in considerazione i grafi orientati, in cui per ogni nodo gli archi si distinguono in entranti ed uscenti. Per questo tipo di grafi è possibile calcolare due diversi punteggi per ogni nodo, b e i , che misurano, rispettivamente, quanto il nodo è “puntato” da nodi importanti o “punta” nodi importanti.Più precisamente, un nodo ha centralità b elevata se i suoi archi entranti provengono da nodi con centralità i elevata, mentre ha centralità i elevata se i suoi archi uscenti sono diretti verso nodi con centralità b elevata. La generalizzazione dell’eigenvector centrality si scrive quindi come: 'f cj, '4 j kf, e le due misure di centralità si calcolano risolvendo le equazioni: '4 'f kcf, ''4 j kcj. Tecnicamente, quindi, la modifica principale rispetto all’equazione di autorità (eigenvector centrality) è la sostituzione della matrice di adiacenza ' con il prodotto matriciale '4 ' nel primo caso e ''4 nel secondo. Valgono poi, come per il caso base, le considerazioni fatte relativamente alla soluzione delle 11 Capitolo 1 – Elementi di teoria delle reti equazioni e alla normalizzazione delle misure ottenute, così da esprimere i risultati in termini centralità percentuale. Le definizioni di autorità e centralità si possono estendere al caso pesato, utilizzando, nei calcoli, il peso al posto di ) . 12 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi Capitolo 2 Le comunità: definizione, proprietà e algoritmi L’esistenza di comunità all’interno di una rete è una caratteristica topologica fondamentale che permette di comprenderne maggiormente il funzionamento. Identificare tale suddivisione, quando effettivamente esiste, è utile soprattutto in reti di grandi dimensioni, in cui i nodi assumono molteplici ruoli e si strutturano in gruppi funzionali. La definizione stessa di comunità non è univoca e i paragrafi che seguono vogliono entrare nel dettaglio delle sue caratteristiche e proprietà, fornendo alcuni esempi di chiarimento. Anche il problema dell’identificazione della struttura in comunità di una rete risulta estremamente complicato, costituendo di per sé un vasto campo di ricerca: è stata perciò riportata una rassegna sintetica dei più importanti passi compiuti nel campo della scrittura di algoritmi di cluster detection, con particolare dettaglio all’ultima frontiera della ricerca, che verrà utilizzata nei capitolo successivi per l’analisi di alcuni casi di studio trattati. Nell’ultima parte del capitolo invece, si introduce il problema del confronto tra possibili partizioni in comunità di un medesimo grafo e si individua un indicatore 13 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi di coerenza che quantifica la distanza o la somiglianza tra due partizioni sul medesimo insieme di nodi. 2.1 La struttura in comunità3 Secondo la definizione di [1], dato un grafo , , una comunità (o cluster) è un sottografo %%, %in cui i nodi membri sono molto connessi tra loro e la densità di archi esistenti all’interno del gruppo è molto maggiore rispetto a quella degli archi tracciati tra i diversi gruppi individuati. In una rete in cui sia presente una struttura in comunità, esistono solitamente gruppi di nodi molto connessi, altri isolati e altri ancora che agiscono come ponti tra le diverse comunità. Di conseguenza, evidenziare una rilevante struttura in comunità all’interno di una rete rappresenta un potente strumento per comprenderne la forma, il funzionamento e il suo eventuale meccanismo di crescita. Ci sono molti modi per quantificare la coesione strutturale delle comunità di una rete e per esprimere la bontà della divisione, perciò esistono diverse definizioni formali di comunità, ciascuna dipendente dal metodo di investigazione della struttura della rete. 3 Il contenuto teorico della sezione 2.1 è tratto dagli articoli [8], [9] e [15] in Bibliografia. 14 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi Figura 2.1, tratta da [1]. Una comunità può essere definita come un gruppo di nodi per i quali c’è una maggiore densità di archi tracciati all’interno del gruppo in confronto alla densità di archi tracciati tra gruppi. In questa figura ci sono tre comunità, evidenziate con la linea tratteggiata. Le reti reali generalmente non sono random networks (vedi Esempio 1.1), dove la distribuzione degli archi tra i vertici è pressoché omogenea, ma spesso molti vertici con basso grado coesistono con alcuni vertici di grado consistente, come nel caso delle reti scale free. Secondo [8], la struttura in comunità è quindi un’importante aspetto topologico della rete, che può fornire molte informazioni sul suo funzionamento. Innanzitutto le comunità sono gruppi di vertici che probabilmente hanno proprietà in comune e/o hanno lo stesso ruolo all’interno della rete, inoltre l’identificazione dei confini di una comunità permette di classificarne i vertici in base alla posizione che assumono all’interno della comunità stessa (ad esempio vertici con ruolo di controllo e stabilità nel gruppo, oppure di funzione ponte con altre comunità). 15 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi Esempio 2.1 In [6] è stata studiata una rete di acquisto di libri e musica online presso Amazon.com. Nel momento in cui il cliente esegue la ricerca su un determinato prodotto A, il sito automaticamente visualizza nella pagina anche i 10 prodotti più frequentemente richiesti assieme al prodotto A. La rete è perciò stata costruita associando un nodo a ciascun prodotto e tracciando un arco tra i nodi e se e solo se è stato frequentemente acquistato assieme a o viceversa. L’esistenza di un arco quindi indica l’affinità tra due oggetti in vendita. La rete studiata comprende tutti gli oggetti listati sul sito ad Agosto 2003 e si concentra sul giant component individuato, formato da 409.689 nodi e 2.464.630 archi. In Figura 2.2 è possibile visualizzare la struttura in comunità della rete: i nodi raggruppati in ciascuna comunità appartengono a generi simili oppure trattano il medesimo argomento. Figura 2.2, tratta da [6]. Struttura in comunità della rete di acquisto di libri e musica online presso Amazon.com; ci sono alcune comunità satellite (in alto e nei due angoli in basso), alcune grosse comunità al centro e alcune piccole comunità che agiscono da ponte. Ogni comunità è caratterizzata da uno specifico genere di riferimento che accomuna i nodi. Le partizione consiste in 1684 comunità che, in media, comprendono 243 nodi ciascuna. 16 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi Rank Dimensione 1 111 538 2 3 4 5 6 7 8 9 10 92 276 78 661 54 582 98 872 1 904 1 493 1 101 1 083 947 Descrizione Interesse generale: politica, letteratura e romanzi, natura umana, libri tecnici, libri di divulgazione e manuali. Arte Hobby e interessi I tipo Hobby e interessi II tipo Musica classica Prodotti per l’infanzia Religione Horror, mistero e avventura Jazz, orchestra Ingegneria Tabella 2.1, tratta da [6]. Le 10 maggiori comunità nella rete di Amazon.com, le quali rappresentano l’87% dei vertici della rete studiata. Esempio 2.2 In [7] è stata studiata una rete di collaborazione tra scienziati, documentata dagli articoli caricati sul famoso archivio scientifico online arXiv.com nel 2003. I nodi della rete corrispondono agli autori e gli archi sono tracciati nel caso in cui due autori abbiano collaborato in uno o più articoli presenti nell’archivio. Viene analizzata solo il giant component della rete, formata da 56.276 autori, appartenenti a tutti i rami della fisica coperti dall’archivio, e la sua struttura in comunità evidenzia una suddivisione gerarchica in aree di ricerca. 17 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi Figura 2.3, tratta da [7]. Riquadro a sinistra: struttura in comunità per la rete di collaborazione tra scienziati in base all’archivio online arXiv.org. Le quattro grandi comunità corrispondono a quattro macro-aree di ricerca: “C.M.” indica condensed matter, “H.E.P.” indica high-energy physics, “astro” indica astrofisica. Riquadro al centro: una delle comunità di tipo “C.M.” è ulteriormente scomposta, rivelando una distribuzione di dimensione delle sotto-comunità che segue una legge di potenza. Riquadro a destra: una delle più piccole sotto-comunità del riquadro precedente viene ulteriormente scomposta, visualizzandone i singoli nodi, cioè gli scienziati, che si dividono in specifici gruppi di ricerca. 2.2 Algoritmi4 Lo studio della divisione in comunità di una rete ha una lunga storia: il compito è difficile sia concettualmente, a causa della difficile definizione di comunità e del difficile confronto tra possibili partizioni, sia computazionalmente, poiché gli algoritmi devono trovare una suddivisione buona in un tempo accettabile. In particolar modo negli ultimi anni, grazie anche alla disponibilità di computer ad elevata capacità di calcolo, le dimensioni delle reti reali che è possibile analizzare sono cresciute fino a raggiungere milioni se non miliardi di vertici e il metodo 4 Il contenuto teorico della sezione 2.2 è tratto dagli articoli[1], [8] e [10] in Bibliografia. 18 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi tradizionale di approccio alla teoria dei grafi ha necessariamente dovuto evolversi per far fronte alle nuove sfide. 2.2.1 Graph partitioning Lo sviluppo di algoritmi per l’individuazione delle comunità in una rete rientra in questo orizzonte e inizialmente è relazionato al concetto di graph partitioning usato in informatica, fondamentale in problemi come parallel computing e circuit partitioning. Il problema della partizione di grafi consiste nel dividere nodi in l gruppi di dimensione predefinita, in modo da minimizzare gli archi che intercorrono tra i diversi gruppi e il cui numero è chiamato cut size. È necessario specificare il numero di gruppi che si vuole ottenere, per evitare soluzioni banali. Figura 2.4, tratta da [8]. Graph partitioning per un grafo con 14 nodi, con l 2 e gruppi di identica dimensione. Generalmente, trovare una soluzione esatta è un problema NP-completo, che richiede un tempo di calcolo che cresce esponenzialmente con la dimensione del grafo, quindi non trattabile in pratica se non su grafi di dimensione molto piccola. Sono stati sviluppati molti algoritmi euristici che, sebbene non raggiungano 19 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi l’ottimo, danno soluzioni buone in tempi accettabili e generalmente si basano su metodi di bisezione iterativa del grafo (algoritmo di Kernighan-Lin, spectral bisection method). Una soluzione di questo tipo però ha molti limiti: è improbabile infatti che le comunità abbiano tutte la stessa dimensione e che il loro numero sia noto a priori. Inoltre non è necessario minimizzare il numero di archi che corrono tra le comunità, le quali, se sono di grandi dimensioni, è più probabile che siano linkate ad altre comunità con un numero maggiore di archi rispetto a quelle di piccole dimensioni. 2.2.2 Hierarchical Clustering Nell’ambito dell’analisi delle social network nasce un’altra famiglia di algoritmi, chiamata hierarchical clustering. Queste tecniche hanno il fine di trovare la naturale divisione delle social network in gruppi, basandosi su alcune metriche di somiglianza o forza della connessione tra i vertici, che rappresentano individui. Questa famiglia di algoritmi si divide in due classi: algoritmi agglomerativi e divisivi. Nei metodi agglomerativi, dopo aver stabilito una metrica (cioè una distanza o, all’opposto, una somiglianza tra i nodi), la somiglianza è calcolata per tutte le coppie di nodi, indipendentemente dal fatto che essi siano adiacenti, che vengono progressivamente uniti da un arco iniziando dalle coppie con maggiore somiglianza. Esiste un’ampia gamma di metriche di somiglianza, che si basano su coefficienti di correlazione, lunghezza dei cammini e utilizzo della matrice di 20 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi adiacenza '. L’algoritmo è iterativo: parte da comunità, ciascuna contenente un singolo nodo e senza alcun legame, e termina con un grafo completo in cui tutti i nodi appartengono a un solo gruppo. La progressione dell’algoritmo si può visualizzare graficamente con un albero detto dendrogramma, riportato in Figura 2.5, che rende visibile il set di partizioni ottenute: tagli orizzontali del grafico rappresentano le comunità individuate a ogni iterazione. Figura 2.5, tratta da [11]. Il dendrogramma illustrato rappresenta la progressiva agglomerazione dei nodi (i cerchietti della parte inferiore) in gruppi, accrescendo la dimensione delle comunità fino a raggiungerne una sola nella parte superiore. Si procede quindi dal basso verso l’alto e la riga rossa tratteggiata è il taglio orizzontale, che mostra la divisione in comunità a un livello scelto della gerarchia. I metodi agglomerativi hanno il vantaggio di non richiedere di definire a priori né il numero né la dimensione delle comunità, ma nel contempo hanno anche particolari svantaggi: innanzitutto non fanno alcuna discriminazione tra le partizioni ottenute dalla procedura e non scelgono quella che meglio rappresenta la struttura in comunità della rete, in più il risultato dipende strettamente dal tipo di metrica adottata e infine collega immediatamente i nodi centrali di una 21 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi comunità lasciando in secondo piano quelli periferici, che di solito vengono aggregati dopo alcuni passi dell’algoritmo. I metodi divisivi invece procedono partendo dalla rete di interesse identificando e rimuovendo gli archi che connettono i nodi tra loro meno simili. Il metodo, in cui è cruciale definire a priori una distanza o dissomiglianza tra nodi, fornisce anch’esso un set di partizioni, a partire dalla rete intera fino ai singoli nodi, costruendo una gerarchia che si può visualizzare mediante un dendrogramma. L’algoritmo più famoso è stato proposto da Newman e Girvan nel 2002 [10] e raffinato nel 2004 [11] e rappresenta l’inizio di una nuova era di ricerca nel campo della struttura in comunità delle reti. L’algoritmo individua gli archi da rimuovere basandosi su un valore di centralità dell’arco, chiamato shortest path betweeness: gli archi con più grande centralità sono responsabili di connettere molte coppie di nodi, e quindi sono quelli da eliminare se si vuole separare la rete in comunità. Il motivo è chiaro se si pensa che due comunità sono unite da pochi archi intercomunità e moltissimi cammini minimi tra coppie di nodi sono quindi costretti a passare proprio per questi tipo di archi, mentre all’interno di una comunità gli archi sono più densi ed esistono molti cammini alternativi. Nella prima versione dell’algoritmo gli autori ricostruivano l’intera gerarchia del set di partizioni, ma nella versione definitiva hanno introdotto una misura che permette di sapere quale divisione è la migliore. Questa quantità si chiama modularità. 22 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi 2.2.3 Modularity Optimization La modularità di una partizione [12] è una quantità scalare che misura la densità di archi all’interno delle comunità individuate in paragone al valore atteso di tale densità. Valori positivi della modularità indicano che una frazione statisticamente sorprendente di archi in una rete cade all’interno delle comunità individuate dalla partizione. Per una rete non orientata non pesata si calcola come m 8 8 1 ` op ! qr , 2n 2n se, st dove la somma corre su tutte le coppie di nodi della rete. p è un elemento della matrice di adiacenza, 8 il grado del nodo e n il numero totale di archi nella rete. L’elemento p è 1 solo se i vertici e sono adiacenti. r è il Delta di Kronecker e u è l’etichetta della comunità cui il nodo è assegnato: il simbolo è pari a 1 solo se la coppia di nodi appartiene alla stessa comunità, per questo rientrano nella somma solo gli archi intra-comunità. La frazione attesa di archi è valutata su un grafo casuale in cui la sequenza di grado dei nodi è invariata rispetto alla rete reale, ma per il quale la probabilità che esista un arco è 8 8 , 2n dove 8 è il grado del nodo , 8 è il grado del nodo e n il numero totale di archi nella rete. Nel grafo casuale di riferimento, quindi, i gradi dei nodi sono invariati ma gli archi sono collegati casualmente. La modularità m è compresa tra -1 e 1: l’esperienza mostra che valori positivi maggiori di 0.5 indicano la presenza 23 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi effettiva di una struttura in comunità, mentre valori prossimi allo zero indicano che la distribuzione degli archi tra intra- e inter-comunità non si discosta dalla casualità, denotando così l’assenza di una effettiva struttura in comunità. Infine, valori negativi di m indicano una struttura “anti-comunitaria” della rete, in cui vi è un’elevata densità di collegamenti inter-comunità mentre scarsi sono i collegamenti intra-comunità. Non ci si occuperà però di quest’ultimo caso. La nozione di modularità può essere estesa al caso di reti pesate e calcolata come m dove nodo , e 1 `v 2 è il peso dell’arco , ! 2 w rse, st , è il peso complessivo degli archi incidenti il è il peso complessivo degli archi della rete. La partizione corrispondente al valore massimo di modularità per un dato grafo è quindi la migliore partizione possibile per individuare le comunità: da questa osservazione è nata la classe di algortmi più popolare per l’identificazione delle comunità. Il problema da risolvere è NP-complesso, cioè non è possibile trovare una soluzione deterministica in un tempo con crescita polinomiale rispetto alle dimensioni del grafico. Moltissimi metodi euristici sviluppati riescono a trovare un’approssimazione del massimo di m in un tempo ragionevole, tra i quali algoritmi greedy (Newman (2004) in [6] e [7]), di simulated annealing, di extremal optimization (Duch e Arenas (2005) in [13]) e di spectral optimization (Newman (2006) in [9] e (2008) in [12] e [14]), ma spesso non riescono a far fronte in tempi ragionevoli alla dimensione attuale delle reti reali (ad esempio il 24 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi motore di ricerca Google linka alcuni miliardi di pagine e la compagnia telefonica Vodafone possiede 200 milioni di clienti [15]) né alla complessità dei livelli organizzativi in cui spesso le comunità stesse si strutturano. Nel 2008 è stato pubblicato l’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15], che è un metodo semplice in grado di identificare partizioni ad alta modularità per reti di grandissime dimensioni in tempi brevi (ad esempio una rete di 118 milioni di nodi viene elaborata in soli 152 minuti), fornendo anche una struttura gerarchica per le partizioni individuate. Questo algoritmo rappresenta, al momento, l’ultima frontiera della ricerca e, poiché verrà utilizzato nei capitoli successivi per analizzare i casi di studio proposti, verrà qui esposto in dettaglio. Il metodo, che si applica a grafi non orientati e pesati, è diviso in due fasi da ripetere iterativamente. Fase 1: partendo da una rete di nodi, si assegna inizialmente ciascun nodo a una comunità, creando così comunità. In seguito, per ogni nodo si considerano tutti i nodi adiacenti a e si valuta il guadagno, in termini di modularità, che si otterrebbe rimuovendo dalla sua comunità e aggiungendolo in quella di . Il nodo a questo punto è spostato nella comunità per cui il guadagno è massimo, ma solo se questo è positivo. Se nessun aumento della modularità è possibile, il nodo non viene spostato. Questo processo è applicato ripetitivamente e sequenzialmente per tutti i nodi, finché nessun miglioramento può essere raggiunto, cioè si è trovato un massimo locale di m: qui si completa la prima fase. È da sottolineare che uno stesso nodo può essere visitato più volte e che l’ordine 25 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi con cui i nodi vengono visitati non è rilevante ai fini del risultato. Un motivo di efficienza dell’algoritmo è la facilità di calcolo con cui si può misurare il guadagno in termini di modularità ottenuto spostando un nodo isolato nella comunità ., infatti Σ> ? 28,> Σ=;= ? 8 Σ> Σ=;= 8 Δm y !G H {!y !G H ! G H {, 2n 2n 2n 2n 2n dove Σ> è la somma dei pesi degli archi all’interno di ., Σ=;= è la somma dei pesi degli archi incidenti nei nodi appartenenti a ., 8 è la somma dei pesi degli archi incidenti nel nodo , 8,> è la somma dei pesi degli archi dal nodo a nodi in . e infine n è la somma dei pesi di tutti gli archi nella rete. Un’espressione simile si usa per valutare il cambio di modularità quando un nodo è rimosso dalla sua comunità. Δm deriva quindi dal cambio di modularità rimuovendo un nodo dalla sua comunità e spostandolo in quella di un vicino. Fase 2: si costruisce una nuova rete i cui nodi sono le comunità trovate alla fine della prima fase, come mostrato in Figura 2.6. I pesi degli archi tra i nuovi nodi si ottengono dalla somma dei pesi degli archi inter-comunità che collegano i nodi delle due rispettive comunità in oggetto. Gli archi intra-comunità rappresentano dei self-loop per ogni nodo della nuova rete. Una volta terminata anche la seconda fase, è possibile riapplicare la prima, usando come input la nuova rete ottenuta, e iterando. Definendo iterazione una singola esecuzione delle due fasi, va evidenziato che la maggior parte del tempo computazionale è speso nella prima iterazione e che da lì in poi il numero di meta- 26 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi comunità decresce velocemente. L’algoritmo si ferma quando non si ottiene più alcun miglioramento della modularità della partizione e tiene memoria della gerarchia delle partizioni costruite durante le iterazioni. La profondità della gerarchia corrisponde al numero di iterazioni eseguite. Figura 2.6, tratta da [15], che rappresenta due iterazioni dell’algoritmo. Ogni passo è composto da due fasi: nella prima si ottimizza la modularità attraverso scambi locali di comunità, nella seconda le comunità trovate vengono aggregate allo scopo di costruire una nuova rete di comunità. I passi sono ripetuti iterativamente fino a che nessun aumento in termini di modularità è più possibile. Questo algoritmo ha molti vantaggi: è intuitivo, facile da implementare, non richiede alcuna conoscenza precedente riguardo alla numerosità e alla dimensione di eventuali comunità ed è estremamente veloce. Inoltre la struttura gerarchica di cui tiene traccia permette di focalizzarsi su molteplici livelli organizzativi della rete e di osservarne la struttura con la risoluzione desiderata. Questo è 27 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi particolarmente importante per reti di grandissima dimensione, in cui è necessario avere uno sguardo d’insieme e poi poter scegliere come e dove scendere più nel dettaglio, come mostrato in Figura 2.7. Figura 2.7, tratta da [15]. In alto a sinistra è rappresentata la rete di comunità individuate dalla rete belga di telefonia mobile, composta da 2 milioni di clienti. La dimensione di ogni nodo-comunità è proporzionale al numero di individui appartenenti a ogni gruppo e il colore, in scala rosso-verde, rappresenta la lingua principale parlata dalla comunità (rosso per il Francese e verde per l’Olandese). In particolare non tutte le comunità sono riportate, ma solo quelle con più di 100 clienti. Tra i due grandi gruppi è rappresentata una comunità di colore misto, che fa da ponte tra due grandi zone con lingua ben identificata. Facendo uno zoom su questa comunità (in basso a destra) si rivela una struttura più articolata, composta da piccole comunità con maggior commistione linguistica. 28 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi Questo algoritmo è stato confrontato dagli autori con i migliori algoritmi a disposizione oggi, ottenendo sempre performance eccellenti in termini di risultati e di tempi computazionali. Gli autori stanno lavorando, al momento, ad un ulteriore aumento della velocità, introducendo alcune euristiche. 2.3 Indicatori per il confronto tra partizioni Dopo aver identificato una partizione in comunità per un possibile grafo, è spesso utile avere a disposizione un indicatore specifico che quantifichi la distanza o, dualmente, la somiglianza tra due diverse partizioni. Infatti, è facile che per una stessa rete esistano delle varianti, per esempio a causa di molteplici metodi di attribuzione di pesi agli archi, e che di conseguenza esistano più partizioni per un medesimo grafo. Un altro caso probabile consiste nella possibilità di definire a priori una partizione per un grafo sulla base di una classificazione qualunque (ad esempio una classificazione di aziende in base al loro settore di attività). Quando si tratta di reti estese a migliaia di nodi, per un confronto tra le partizioni efficace e veloce è necessario definire un indicatore, poiché la sola modularità fornisce un indicazione sulla presenza effettiva di comunità in un grafo ma non permette in alcun modo il confronto tra due partizioni differenti in uno stesso grafo. Gli indicatori proposti sono così definiti: a partire da una rete di nodi, per la quale sono definite due diverse partizioni, è possibile calcolare per tutte le distinte ! 1/2 coppie di nodi , due indici: 29 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi 1. data la prima partizione, F 1 se e sono nella stessa comunità, 0 altrimenti; 2. data la seconda partizione, } 1 se e sono nella stessa comunità, 0 altrimenti. Adesso si può definire una distanza tra partizioni, calcolata come segue: ^ 1 `~F ! } ~ . ! 1 , 2 In particolare si ha ^ 0 quando le due partizioni coincidono, cioè ogni coppia di nodi è nella stessa comunità nella prima partizione se e solo se lo è anche nella seconda, e ^ 1 quando ogni coppia di nodi che è nella stessa comunità nella prima partizione, non lo è nella seconda. Dualmente si può scrivere un indicatore equivalente, chiamato indice di coerenza tra due partizioni, che si calcola come u 1!^ 1 ` ret,et , ! 1 , 2 dove u indica la frazione di coppie , che sono nella stessa comunità in entrambe le partizioni oppure che non sono nella stessa comunità né in una partizione né nell’altra. Il simbolo ret,et è il Delta di Kronecker e assume valore 1 se e solo se F } , 0 altrimenti. 30 Capitolo 2 – Le comunità: definizione, proprietà e algoritmi In pratica, preso il grafo e le due partizioni in esame, valori di u prossimi a 1 indicheranno forte somiglianza tra due partizioni, mentre valori vicini a 0 indicheranno sostanziale incorrelazione tra esse. 31 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Capitolo 3 Caso di studio: “corporate board network” e “corporate director network” La teoria delle reti, che è stata applicata con successo in moltissimi campi, può essere utilizzata anche nella trattazione di sistemi finanziari, molti dei quali possono essere rappresentati agevolmente mediante la teoria dei grafi. In questo capitolo sono trattati due particolari tipi di reti finanziarie, che sono originariamente reti sociali, cioè descrivono interazioni tra individui, basandosi però su meccanismi di corporate governance che regolano le società di capitali: esse sono la “corporate board network” e la “corporate director network”. Esse si ottengono come proiezioni di un’unica rete bipartita, che verrà in seguito definita. Nei seguenti paragrafi, si introduce innanzitutto il tema della corporate governance, con particolare attenzione alla legislazione italiana. In seguito, poiché le società di capitali sono governate da un organo di gestione e uno di controllo, vengono descritte due reti bipartite, ciascuna corrispondente ad una delle due funzioni di governo. Ci si focalizza poi sulle prima delle due reti, a causa della significatività dei risultati: a partire dal grafo bipartito, si generano le proiezioni, secondo la teoria esposta nel paragrafo 1.1, e si procede all’analisi della struttura 32 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” in comunità dei due grafi ottenuti, i quali corrispondono uno alla board network e l’altro alla director network. Il caso di studio è incentrato sulla realtà di Borsa Italiana e i risultati ottenuti apportano un nuovo punto di vista all’analisi quantitativa di questo sistema finanziario. 3.1 Modelli di corporate governance5 Ogni impresa ha una sua personalità giuridica definita - distinta da quella di chi ne detiene la proprietà o ha ruoli nella sua gestione o interagisce con essa - che può conformarsi a modelli societari differenti, per ciascuno dei quali la legge stabilisce diritti e doveri degli azionisti e degli altri partecipanti. L’adozione da parte dell’impresa di un determinato modello o architettura societaria dipende dalla tipologia dei suoi azionisti, dalla dimensione, dalla composizione del suo portafoglio di business, dal tipo di aree geopolitiche ove essa è presente e, infine, dalle modalità con cui accede alle risorse finanziarie. Il modello che verrà trattato in questo testo è relativo alle società di capitali, che rispondono ad un principio di limitazione della responsabilità degli azionisti-soci, i quali possono partecipare pro-quota alla proprietà dell’impresa senza mettere a rischio il proprio patrimonio personale ma solamente il capitale conferito, a differenza di quanto accade nella 5 Il contenuto teorico della sezione 3.1 è tratto dal testo [17] in Bibliografia. 33 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” società di persone. La limitazione della responsabilità patrimoniale dei soci è centrale nel passaggio da una società concentrata in poche mani ad una proprietà diffusa attraverso la quotazione in borsa, che è caratterizzata da una separazione sempre più netta fra impresa e azionisti e da meccanismi di governance rivolti a garantirne i diritti in assenza di un loro coinvolgimento diretto nella gestione. Il tema della corporate governance si può sintetizzare come insieme di strumenti, regole e meccanismi preordinati alla migliore realizzazione del processo decisionale di un'impresa nell'interesse delle diverse categorie di soggetti che sono interessati alla vita societaria. Comunemente con il termine corporate governance si fa riferimento al sistema di direzione e controllo, e cioè a quell’insieme di meccanismi e di regole, giuridiche e tecniche, finalizzate alla conduzione del governo dell'impresa, che sia non solo efficace ed efficiente, ma anche corretto ai fini della tutela di tutti i soggetti interessati alla vita dell'impresa. I meccanismi volti a garantire una governance corretta e a definire i rapporti della società con gli azionisti e con gli stakeholder possono essere imposti per legge o essere adottati dalle società attraverso l’adesione a codici di autodisciplina e possono avere validità comunitaria, nazionale o locale. Il peso crescente dell’Unione Europea ha portato ad armonizzare i modelli societari nei paesi membri e a creare lo Statuto della Società Europea [34]. Di conseguenza in Italia sono stati ampliati gli ambiti di autonomia statutaria delle società, attraverso direttive di inquadramento, che provengono dalla legge, e regolamenti di validità immediata e diretta che di solito codificano modalità di autodisciplina cui aderire su base volontaria. Essi, in particolare, possono nascere direttamente nell’ambito 34 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” del sistema economico-finanziario, promossi da associazioni come Confindustria o Confcommercio oppure dalla società-mercato che gestisce il mercato borsistico. Per le società quotate in Italia, ad esempio, il codice più rilevante è quello messo a punto da Borsa Italiana [16]. La legge italiana non prevede un sistema di governance unico, bensì le società per azioni possono scegliere tra tre modelli diversi, uno vicino alla tradizione italiana e gli altri due coincidenti con i due sistemi previsti nello statuto della Società europea: − Sistema tradizionale: i poteri di amministrazione e gestione e di rappresentanza sono di pertinenza del consiglio di amministrazione e quelli di controllo sono assegnati al collegio sindacale. Il consiglio di amministrazione, in particolare, sceglie un presidente al suo interno e può eleggere, sempre al suo interno, un comitato esecutivo o uno o più amministratori delegati a cui delegare alcuni poteri. Il controllo contabile deve essere obbligatoriamente affidato, per le società quotate, a società di revisione esterne autorizzate. Gli organi di gestione rendono conto del proprio operato all’assemblea degli azionisti, la quale in sede ordinaria approva il bilancio, nomina o revoca le cariche, promuove eventuali azioni di responsabilità nei confronti degli incaricati e in sede straordinaria approva le modifiche allo statuto. − Sistema dualistico: è vicino alla tradizione franco-tedesca e prevede la presenza di un consiglio di gestione e di un consiglio di sorveglianza. Il 35 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” primo ha gli stessi poteri del consiglio di amministrazione tradizionale, mentre il secondo ha sia la funzione di vigilanza sia molte funzioni dell’assemblea ordinaria, tra cui l’approvazione del bilancio e la nomina dei consiglieri di gestione. L’assemblea degli azionisti perde quindi molti poteri rispetto al modello tradizionale e nomina unicamente i membri del consiglio di sorveglianza, almeno uno dei quali deve essere revisore autorizzato. − Sistema monistico: è vicino alla tradizione anglosassone ed è formato da un solo organo, il consiglio di amministrazione, all’interno del quale viene formato un comitato per il controllo sulla gestione, formato da amministratori in possesso degli stessi requisiti richiesti per i sindaci e da almeno un revisore autorizzato. Il Codice di Autodisciplina delle società quotate [16] è stato redatto nel 1999 dal Comitato per la Corporate Governance promosso da Borsa Italiana e contiene raccomandazioni che costituiscono un modello di "best practice" per l’organizzazione ed il funzionamento delle società quotate italiane. Le raccomandazioni del Codice non sono vincolanti, ma le società quotate devono, in conformità alle Istruzioni al Regolamento di Borsa Italiana, tenere informati sia il mercato sia i propri azionisti in merito alla propria struttura di governance ed al grado di adesione al Codice. A tal fine, le società quotate sono tenute alla pubblicazione di una apposita relazione, in occasione della pubblicazione dei dati di bilancio, che viene messa a disposizione dell’assemblea dei soci e contestualmente trasmessa a Borsa Italiana, che la mette a disposizione del pubblico. Il Codice ha per oggetto, fra gli altri, i seguenti temi: ruolo del consiglio 36 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” di amministrazione; composizione del consiglio di amministrazione; presenza di amministratori indipendenti; trattamento delle informazioni riservate; procedure di nomina degli amministratori e loro criteri di remunerazione; comitato per il controllo interno; operazioni con parti correlate; rapporti con gli investitori istituzionali e con gli altri soci. È peculiare l’attenzione alle diverse tipologie di amministratori: essi si dividono in esecutivi (amministratori delegati e con ruoli direttivi) e non esecutivi, i quali devono essere di un numero e autorevolezza tali da garantirne peso nelle decisioni consiliari. Inoltre, un numero adeguato di amministratori non esecutivi sono indipendenti, ovvero non intrattengono e hanno intrattenuto recentemente né direttamente né indirettamente relazioni economiche con la società, non sono titolari di partecipazioni rilevanti sulla società né sono stretti familiari di amministratori esecutivi o soggetti che controllano la società. Il Codice promuove soprattutto l’aumento dei consiglieri indipendenti o non esecutivi, la creazione di comitati interni, composti perlopiù da consiglieri indipendenti, la separazione del ruolo di amministratore delegato da quello di presidente e la valutazione periodica delle performance dei consiglieri. I Sindaci infine, devono soddisfare il requisito di indipendenza e agire con autonomia sia rispetto agli amministratori sia rispetto agli azionisti che li hanno eletti. 37 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” 3.2 La “corporate board network” e la “corporate director network” Come hanno suggerito recenti studi (si veda ad esempio Davis (1996) [21], Battiston e Catanzaro (2004) [18], Cardarelli e Catanzaro (2004) [22], Casaleggio Associati (2005) [19] e infine Grassi et al. (2008) [20]), la struttura degli organi di corporate governance di un’insieme di società per azioni può essere analizzata mediante la teoria dei grafi. Considerando per esempio il modello societario tradizionale6, i consigli di amministrazione delle società quotate in Borsa Italiana formano, assieme ai consiglieri, una rete bipartita. Una rete analoga si può costruire considerando i collegi sindacali e i sindaci. La trattazione che segue si occupa del primo caso, poiché molto più interessante dal punto di vista del significato e della rilevanza dei risultati. Una “board network” è una rete di consigli di amministrazione di società di capitali, connessi tramite consiglieri che siedono in più di uno di essi; in modo 6 Per semplicità, nella trattazione il modello di riferimento sarà sempre quello tradizionale. Si sottintende perciò che nella dicitura “consiglio di amministrazione” ci si riferisce a: − consiglio di amministrazione nel modello tradizionale; − consiglio di gestione nel modello dualistico; − consiglio di amministrazione nel modello monistico; e che nella scrittura di “collegio sindacale” ci si riferisce a: − collegio sindacale nel modello tradizionale; − consiglio di sorveglianza nel modello dualistico; − comitato per il controllo sulla gestione nel modello monistico. 38 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” duale una “director network”, invece, ha i consiglieri come nodi e la coappartenenza ad uno o più consigli di amministrazione stabilisce un arco tra due consiglieri. In particolare si definisce interlock [18] l’appartenenza di un consigliere a più consigli di amministrazione allo stesso tempo, fenomeno che provoca la connessione di più consigli per mezzo di consiglieri che fungono da ponte. L’identificazione di una struttura riconducibile ad una rete è importante per due aspetti: fornisce un nuovo punto di vista nell’analisi di sistemi finanziari, i quali, pensati come reti, possono avere particolari caratteristiche topologiche, osservabili grazie all’indagine specifica dei grafi che le rappresentano; inoltre permette di individuare le società chiave all’interno del sistema considerato, mediante opportune misure di centralità. Le aziende centrali, per esempio, secondo [21], utilizzano gli interlock per gestire interdipendenze di risorse, flussi informativi e di capitali. Inoltre, secondo [22], i board delle società più importanti in un sistema economico e finanziario prendono decisioni strategiche che spesso hanno un impatto considerevole sulle performance economiche complessive del sistema: questi board risultano quindi particolarmente importanti nell’analisi topologica della rete. Dal punto di vista dei director invece, l’analisi può individuare qual è la corporate elite del sistema economico, aiutare ad identificarne i meccanismi di formazione e il suo ruolo nei processi decisionali. 39 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” 3.3 La rete bipartita di consiglieri e consigli di amministrazione Nel caso di studio proposto i dati riguardano gli organi di gestione delle 292 società quotate in Borsa Italiana nell’ottobre 2008 e sono stati reperiti sul sito istituzionale di Consob7, la Commissione Nazionale per le Società e la Borsa. Utilizzando i software Microsoft Excel e Matlab8, è stata trascritta la matrice di adiacenza della rete bipartita, la quale è non pesata, non orientata e i due insiemi di nodi da cui è formata corrispondono all’insieme dei consigli di amministrazione e all’insieme dei consiglieri di tutte le società quotate. Si definisce “board” il primo insieme di nodi e “director” il secondo. La matrice di adiacenza è non quadrata e i suoi elementi ) valgono 1 se il director siede nel board . Le dimensioni della matrice sono 2365 ( 292, cioè 2365 nodi dell’insieme director e 292 dell’insieme board. 7 La Commissione Nazionale per le Società e la Borsa, istituita con la legge n.216 del 7 giugno 1974,è un’autorità amministrativa indipendente, dotata di personalità giuridica e piena autonomia. Questa istituzione si occupa di attività di regolamentazione, autorizzazione, vigilanza e controllo sui mercati finanziari italiani con i principali obiettivi della tutela degli investitori, dell’efficienza e della trasparenza del mercato mobiliare italiano. 8 Matlab, abbreviazione di Matrix Laboratory, é un ambiente per il calcolo numerico e l'analisi statistica che comprende anche l'omonimo linguaggio di programmazione creato dalla MathWorks. Consente di manipolare matrici, visualizzare funzioni e dati, implementare algoritmi, creare interfacce utente, e interfacciarsi con altri programmi. Funziona su diversi sistemi operativi, tra cui Windows, Mac OS, GNU/Linux e Unix. 40 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” In Tabella 3.1 sono elencate alcune statistiche sui due set di nodi della rete bipartita: in particolare il grado medio per i nodi di tipo tipo consigliere esprime in quanti consigli uno di essi siede mediamente, mentre per i nodi di tipo board definisce la dimensione media dei consigli di amministrazione delle società quotate in Borsa Italiana. La La distribuzione del numero di board in cui siede un director e la distribuzione della dimensione dei board si possono osservare, rispettivamente, nel Grafico 3.1 e nel Grafico 3.2. Board Director Numero nodi 292 2365 Grado medio 9.8185 1. 1.2123 3.3 0.6161 Grado minimo 2 1 Grado massimo 25 7 Deviazione standard Tabella 3.1, statistiche tatistiche riguardanti l’insieme dei nodi di tipo board e l’insieme di tipo director per la rete bipartita formata da tutte le società quotate in Borsa Italiana nell’ottobre nell’ 2008. Distribuzione del n° n di board in cui siede un director 2500 2000 #(n) 1500 1000 500 0 -500 #(n) 1 2 3 4 5 6 7 2034 222 62 34 12 0 1 Grafico 3.1,, distribuzione del numero di board board a cui partecipa ogni consigliere di una delle società societ quotate in Borsa Italiana ad ottobre o 2008. Nel grafico rientrano i dati delle 292 società quotate. Il grafico corrisponde alla distribuzione di grado dell’insieme dei nodi di tipo director dir nella rete bipartita. 41 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Distribuzione della dimensione dei boards 40 35 30 #(n) 25 20 15 10 5 0 5 #(n) 7 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 6 34 17 38 19 27 14 16 12 8 4 1 3 5 3 1 0 1 0 1 Grafico 3.2, distribuzione della dimensione dei consigli di amministrazione delle società quotate in Borsa Italiana ad ottobre 2008. Nel grafico sono riportati i dati delle 292 società quotate. Il grafico corrisponde alla distribuzione di grado dell’insieme dei nodi di tipo board nella rete bipartita. In Figura 3.1 è possibile visualizzare il grafo che rappresenta la rete bipartita: è interessante notare che i nodi di tipo director si dispongono quasi tutti come grappoli attorno ai nodi board in cui siedono, mentre solo pochi fungono da ponte e attraverso il meccanismo dell’interlock connettono più board. L’immagine è ottenuta utilizzando il software Pajek9. 9 Pajek è un programma specializzato nell’analisi e nella visualizzazione di rete di grandi dimensioni. È possibile scaricarlo liberamente dalla rete Internet ed utilizzarlo per uso non commerciale [23]. Tutte le immagini relative alle reti dei casi di studio sono realizzate con questo software. 42 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.1, rappresentazione appresentazione grafica della rete bipartita di board e director per le società quotate in Borsa Italiana ad ottobre 2008. I nodi gialli sono i board e quelli rossi i director. 43 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” 3.4 Le proiezioni della rete bipartita: la board network e la director network Come esposto nel paragrafo 1.1, si può proiettare la rete bipartita in due diverse reti relative ciascuna ad un singolo insieme di nodi: implementando il procedimento con Matlab, sono state create due matrici di adiacenza, quadrate e simmetriche, una relativa all’insieme dei director e l’altra a quello dei board. Nella prima, di dimensioni 2365 ( 2365, gli elementi ) ) assumono valore 0 se i director e siedono in board in comune. Nella seconda invece, di dimensioni 292 ( 292, gli elementi ) ) assumono valore 0 se i board e hanno director in comune. Entrambe le reti sono caratterizzate da 68 componenti (cioè sottoreti connesse, come spiegato nel paragrafo 1.1), tra le quali è stato individuato un giant component. Quello della director network comprende 1805 nodi, cioè il 76.32% dei consiglieri; quello della board network, invece, comprende 217 nodi, cioè il 74.32% dei consigli di amministrazione. In Tabella 3.2 sono riportate le cinque componenti più grandi, in termini di nodi inclusi, per entrambe le proiezioni. Board network Director network [217 2 2 2 2] [1805 22 18 18 16] Dimensione delle cinque più grandi componenti della rete Tabella 3.2, le cinque componenti più grandi, per numero di nodi, delle due proiezioni della rete bipartita. La prima componente è evidentemente un giant component in entrambe le proiezioni. 44 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Data la dimensione delle componenti delle due reti, è parso opportuno svolgere l’analisi delle comunità unicamente sul giant component: tutte le statistiche e i dati che verranno riportati in seguito quindi saranno relativi ad esso. In Figura 3.2 è possibile visualizzare nuovamente il grafo bipartito: in esso però sono rappresentati solamente i nodi relativi ai giant component delle due proiezioni. In questa figura, essendoci un numero inferiore di nodi rispetto alla Figura 3.1, sono più visibili i grappoli di director collegati ai board e i directorponte che connettono più board mediante il meccanismo degli interlock. In Figura 3.3, invece, si evidenziano i meccanismi di interlock: il grafo bipartito infatti è stato filtrato e sono presenti solo i consiglieri che siedono almeno in due board, riducendo il numero di nodi di tipo director da 1805 a 331, rispetto alla Figura 3.2. Il numero di board invece è invariato e rimane 217, poiché i board sono presenti nel giant component se e solo se sono connessi ad altri board tramite il meccanismo dell’interlock. Si evidenza così l’ossatura più profonda della rete, eliminando l’effetto a grappolo che i director di un solo board formavano in Figura 3.2. Seguendo il Codice di Autodisciplina di Borsa Italiana [16], sono inoltre evidenziati con tre colori differenti gli archi per rispecchiare le tre diverse tipologie di ruoli che ciascun consigliere può assumere in ogni consiglio: gli archi blu rappresentano i consiglieri esecutivi, gli archi neri rappresentano quelli non esecutivi e gli archi verdi infine rappresentano i consiglieri indipendenti, in accordo con i dati in Tabella 3.3. 45 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.2, grafo della rete bipartita di board e director per le società quotate in Borsa Italiana ad ottobre 2008,, relativamente ai soli nodi presenti nei giant component delle due proiezioni. proiezioni I nodi gialli sono i board e quelli rossi i director. director 46 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.3,, Interlock di director e board delle società quotate in Borsa Italiana ad ottobre 2008. Sono presenti solo i nodi relativi ai giant component delle due proiezioni e, per i director, solo quelli che siedono in almeno due board. board. I nodi gialli sono i board e quelli rossi i director. director. Seguendo il Codice di Autodisciplina di Borsa Italiana [16], sono evidenziati con tre colori differenti gli archi per rispecchiare le tre diverse tipologie di ruoli che ciascun consigliere può assumere in ogni consiglio: gli archi blu rappresentano i consiglieri esecutivi, gli archi neri rappresentano quelli non esecutivi e gli archi verdi infine rappresentano i consiglieri indipendenti. indipendenti. 47 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” 331 director Consiglieri con interlock Ruolo esecutivo 218 Ruolo non esecutivo 266 Indipendente 328 Tabella 3.3, ruoli che i director con interlock assumono nei board in cui siedono. Sono definiti in base al Codice di Autodisciplina [16] di Borsa Italiana. Dai dati in tabella si evince che i director con interlock assumono più spesso il ruolo di consiglieri indipendenti. In seguito sono riportate le statistiche descrittive di base riguardanti la topologia del giant component, sia per la board network sia per la director network. In Tabella 3.4 sono elencati alcuni indicatori di base, introdotti nel paragrafo 1.1, mentre nei Grafici 3.3 e 3.4 sono riportati gli istogrammi con la distribuzione delle distanze: essi evidenziano una distanza media tra coppie di nodi relativamente piccola rispetto a quanto ci si aspetterebbe a priori, considerando anche che la distribuzione di grado decresce rapidamente per entrambe le proiezioni, come dimostrano i Grafici 3.5 e 3.6. Board network Director network Numero di nodi 217 1805 Grado medio 5.14 13.43 Grado minimo 1 4 Grado massimo 34 81 Distanza media 3.88 4.67 8 9 (tra Acotel Group e Beghelli) (tra Accetturo Michele e Provera Diametro Giovanni) Tabella 3.4, statistiche descrittive dei giant component della board e della director network. 48 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Distribuzione delle distanze per la board network 30.26% 26.17% 20.02% 10.93% 7.98% 2.38% 1 2 3 4 5 2.02% 0.24% 7 8 6 distanza Grafico 3.3,, istogramma con la distribuzione delle distanze tra tutte le coppie di vertici del giant component della lla board network. La distanza media del grafo vale 3.88. Distribuzione delle distanze per la director network 27.67% 28.68% 17.35% 13.75% 6.53% 3.55% 1.55% 0.74% 1 2 3 4 5 6 7 8 0.19% 9 distanza Grafico 3.4, istogramma con la distribuzione delle distanze tra tutte le coppie di vertici del giant component della director network. La distanza media vale 4.67. 49 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Distribuzione di grado della board network 0,18 0,16 0,14 P(k) 0,12 0,1 0,08 0,06 0,04 0,02 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 grado k Grafico 3.5, board network: distribuzione di grado nel giant component: il grado di un board è il numero di altri board cui è direttamente connesso tramite un interlock. Distribuzione di grado della director network 0,14 0,12 P(k) 0,1 0,08 0,06 0,04 0,02 0 4 9 14 19 24 29 34 39 44 49 54 59 64 69 74 79 grado k Grafico 3.6, director network: distribuzione di grado nel giant component: il grado di un director è il numero di altri director con cui condivide almeno un board. 50 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Dopo aver descritto le caratteristiche topologiche principali della director network e della board network, è conveniente, prima di iniziare l’analisi delle comunità, introdurre due varianti in termini di peso degli archi per entrambe le proiezioni. I grafi trattati fino ad ora, nati dalle proiezioni della rete bipartita, rappresentano quello che verrà identificato come “caso pesato”, quello cioè in cui ciascun peso è la somma degli archi corrispondenti nel grafo bipartito ed è sempre un numero naturale intero. Le due varianti introdotte invece corrispondono al “caso binario” e al “caso con pesi normalizzati”. Nel primo viene semplicemente eliminata l’informazione sui pesi e le due matrici di adiacenza diventano binarie: l’arco, se esiste, ha peso 1, 0 altrimenti. L’importanza del legame tra due nodi sta nell’esistenza del legame stesso e non più nella forza di questo legame. Nella secondo, invece, ci si muove in direzione opposta: ogni peso è normalizzato in base all’importanza della relazione tra i nodi che l’arco collega. Si prenda per esempio la director network: ogni peso F è quindi riscritto come F 2 , ? in cui rappresenta il peso del caso iniziale, cioè il numero di board in cui i due consiglieri siedono assieme, il numero di board in cui siede il director e il numero di board in cui siede il director . È ovvio che, se due director siedono assieme in 2 board e in totale siedono sempre e solo in quei 2 board, la loro relazione sarà strettissima e il peso dell’arco che li collega dovrà quindi essere maggiore rispetto al caso di due consiglieri che siedono, per esempio, in 5 board 51 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” ciascuno e solo in 2 board assieme. La stessa cosa vale per la board network, però in questo caso rappresenta il numero di consiglieri che i due board hanno in comune, la dimensione del board , cioè il numero totale dei suoi consiglieri, e la dimensione del board . In Tabella 3.5 sono riepilogate tutte le varianti introdotte. Si arriva così ad avere sei grafi, che corrispondono alle due proiezioni ciascuna ripesata a seconda della variante considerata. Board network Caso pesato Caso binario Caso con pesi normalizzati Director network ) ) 0 se i board e ) ) 0 se i consiglieri e almeno un consigliere in comune, 0 ) ) 1 se i consiglieri e siedono almeno in un board in altrimenti. comune, 0 altrimenti. hanno consiglieri in comune. ) ) 1 se i board e hanno )d ) > >e >t 0 se i board e hanno in comune director, con R numero totale di director del board D; con D , . siedono in board in comune. )d ) > >e >t 0 se i director e siedono in board in comune, con R numero totale di board in cui siede D; con D , . Tabella 3.5, riepilogo dei tre casi di pesatura della board e della director network. 3.5 Analisi della struttura in comunità delle reti L’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15], presentato in dettaglio nel paragrafo 2.2.3 e implementato in Matlab, ha permesso l’analisi della struttura in comunità dei sei grafi sopra descritti, fornendo le relative partizioni. In Tabella 3.6 sono riportati tutti i risultati in termini di modularità e numero di comunità identificate. 52 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Board network Director network Caso Q Q Pesato 0.60386 13 0.82507 32 Binario 0.53946 11 0.8164 30 Con pesi normalizzati 0.66063 12 0.87591 38 # comunità # comunità Tabella 3.6, riepilogo dei risultati dell’analisi di comunità. Dai risultati si evince che, per tutti e sei i grafi, la struttura in comunità è senz’altro presente e ne costituisce una caratteristica topologica rilevante: il valore della modularità è sempre al di sopra della soglia 0.5, che come si è detto nel paragrafo 2.2.3, indica orientativamente la presenza effettiva di una struttura in comunità. È da notare in particolare che, per entrambe le proiezioni, il caso binario è quello per cui si ha un risultato peggiore in termini di modularità della partizione, segno che i pesi aggiungono effettivamente al grafo informazioni importanti. Di conseguenza, il caso con pesi normalizzati, quello in cui l’informazione connessa ai pesi è massima, fornisce il risultato migliore in termini di modularità della partizione. È parso perciò opportuno riportare in dettaglio, per entrambe le proiezioni, solo le partizione con modularità più elevata. Per queste ultime inoltre, sono stati calcolati anche i valori di eigenvector centrality, definita nel paragrafo 1.2, sia per i nodi dei giant component sia per quelli relativi a ciascun sottografo descritto da ciascuna comunità: in questo modo si ha un ranking di autorità dei nodi sia nel generale (inter-comunità) sia nel locale (intracomunità). 53 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” 3.6 Analisi dei risultati In Tabella A.1 e B.1 in appendice è possibile trovare in dettaglio i risultati delle partizioni generate dall’algoritmo [15] per quanto riguarda il caso con pesi normalizzati, che corrisponde alla partizione che massimizza la modularità tra i casi analizzati: rispettivamente per la board network e per la director network sono elencati tutti i nodi appartenenti a ciascuna comunità e il corrispondente punteggio di autorità intra-comunità. In Tabella 3.7 e 3.8 invece ci sono gli elenchi dei nodi con punteggio di autorità più elevato all’interno del giant component, rispettivamente per la board e per la director network. La Figura 3.4 rappresenta il giant component della board network, evidenziando la partizione in comunità e il nodo con autorità più elevata è posto al centro: gli archi nella zona centrale sono molto densi. Nodo CALTAGIRONE CALTAGIRONE EDITORE VIANINI LAVORI CEMENTIR HOLDING VIANINI INDUSTRIA BANCA FINNAT EURAMERICA BANCA MONTE DEI PASCHI DI SIENA ASSICURAZIONI GENERALI PARMALAT TERNA Autorità 20% 15% 15% 14% 13% 5% 3% 2% 2% 1% Tabella 3.7, nodi con maggiore autorità nel giant component della board network. Sono elencati i dieci nodi che coprono il 90% del punteggio di autorità, definito nel paragrafo 1.2. 54 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.4, grafo della board network. I nodi sono colorati in base alla comunità comun di appartenenza, secondo la partizione esposta in Tabella A.1. In questo riquadro il nodo con la maggiore autorità (vedi Tabella 3.7) è posizionato al centro del grafo e corrisponde a CALTAGIRONE s.p.a., che ha autorità 20% (vedi paragrafo 1.2) all’interno erno del grafo. 55 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Nodo Autorità antoni jean dominique betti sergio carannante rocco celli pierluigi cordazzo bruno forest jacques galanti vanes gillone fabrizio levorato claudio malavasi ivan masotti massimo migliavacca enrico morara pier luigi nasi sergio pedroni marco politi giuseppe salvatori carlo vella francesco venturi marco giuseppe zaccherini luca zucchelli mario coffari gilberto costalli sergio collina piero stefanini pierluigi 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 4% 3% 3% 3% 3% Tot. 96% Tabella 3.8, nodi con maggiore autorità nel giant component della director network. Sono elencati i nodi che coprono il 96% del punteggio di autorità, definito nel paragrafo 1.2. Sono raffigurati in seguito i risultati grafici, che corrispondono alle partizioni citate per entrambe le reti, anch’essi ottenuti con il software Pajek. In Figura 3.5 e 3.6 sono evidenziate le partizioni fornite dall’algoritmo, rispettivamente per la board network e per la director network: è evidente che la densità di archi interna alle comunità è, per entrambe le partizioni, molto più elevata che all’esterno di esse. In particolar modo in Figura 3.6 il fenomeno è molto più visibile, a causa di 56 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” un numero maggiore di nodi e al colore degli archi attribuito diversamente a seconda del peso, proporzionalmente ad una scala di grigio che tende al nero quanto più il peso dell’arco aumenta. È evidente che all’interno delle comunità la densità di archi è molto più alta rispetto all’esterno e di un colore più scuro. Gli archi inter-comunità rimangono numerosi, ma il colore tende più al grigio chiaro. Figura 3.5, board network: partizione ottenuta con l’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15]. I nodi del medesimo colore, corrispondenti a con pesi normalizzati, consiste in 12 comunità e corrisponde ad una modularità m ciascun cerchio, formano una comunità. La partizione raffigurata è relativa al grafo 0.66063. Il numero vicino ad ogni cerchio di nodi corrisponde all’etichetta della comunità, lo stesso riportato in Tabella A.1 in appendice. Le etichette dei nodi, cioè il nome dei singoli board, sono elencate egualmente in Tabella A.1, suddivise per comunità di appartenenza. 57 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.6, director network: partizione ottenuta con l’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15]. I nodi del medesimo colore, corrispondenti a con pesi normalizzati, consiste in 38 comunità e corrisponde ad una modularità m ciascun cerchio, formano una comunità. La partizione raffigurata è relativa al grafo 0.87591. Il numero vicino ad ogni cerchio di nodi corrisponde all’etichetta della comunità, lo stesso riportato in Tabella B.1 in appendice. Le etichette dei nodi, cioè il nome del singolo director, sono elencate egualmente in Tabella B.1, suddivise per comunità di appartenenza. 58 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Analizzando10 nel dettaglio quali sono le società raggruppate in ciascuna comunità si può verificare che le partizioni ottenute rispecchiano alcune peculiari caratteristiche del mercato italiano. Innanzitutto, in molte comunità sono individuabili società quotate appartenenti a gruppi, ad esempio: − nella comunità #2 il gruppo Caltagirone (Caltagirone Editore, Caltagirone, Cementir, Vianini Industria, Vianini Lavori) e Monte dei Paschi di Siena di cui Caltagirone Francesco Gaetano è azionista; − nella comunità #3 il gruppo controllato da Vincenzo Manes (Intek, IT holding, KME Group); − nella comunità #4 il gruppo Burani (Antichi Pellettieri, Bioera, Greenvision Ambiente, Mariella Burani Fashion Group); − nella comunità #8 il gruppo controllato dalla Famiglia Ligresti (Premafin, Immobiliare Lombarda, Milano Assicurazioni, Fondiaria-SAI, Impregilo); − nella comunità #9 il gruppo Benetton (Benetton Group, Autogrill, Atlantia, Autostrade Meridionali), il gruppo DeAgostini (Dea capital, Lottomatica); − nella comunità #10 il gruppo De Benedetti (CIR, Cofide, Gruppo Editoriale l’Espresso, Banca Intermobiliare di Investimenti e Gestioni, Sogefi); 10 Per le considerazioni relative ai risultati delle partizioni di tutti i casi studio, sono stati consultati alcuni articoli riportati dai quotidiani Milano Finanza e Il Sole 24 Ore. 59 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” − nella comunità #11 il gruppo Pirelli (Pirelli & C., Pirelli & C. Real Estate, Camfin), il gruppo Fiat (Fiat, Ifi, Ifil, Juventus Football Club), il gruppo della Famiglia Pesenti (Italmobiliare, Italcementi), il gruppo guida della finanza italiana attorno a Mediobanca (Unicredit, RCS Mediagroup, Banca Generali, Alleanza Assicurazioni, Intesa San Paolo); − nella comunità #12 il gruppo Fininvest (Mediaset, Mediolanum, Mondadori), il gruppo controllato da Aurelia S.p.A. (Sias, Autostrada Torino-Milano, FNM), il gruppo di Eurinvest Finanza Stabile S.r.l. (Investimenti & Sviluppo, Investimenti e Sviluppo Mediterraneo, K.R. Energy e alcune società partecipate come Reno De Medici ed Alerion Industries). Negli esempi appena citati il meccanismo degli interlock fra board è utilizzato per posizionare consiglieri strategici, quindi esecutivi, in consigli di amministrazione di cui si vuole il controllo: questo meccanismo si sviluppa parallelamente a quello delle partecipazioni azionarie, come si vedrà nel capitolo successivo. Un altro fenomeno da evidenziare nella partizione è la presenza, in alcune comunità, di società legate da una partnership: il meccanismo degli interlock, quindi, non si limita alla sola funzione di controllo, ma si rivela utile anche per l’attuazione di strategie aziendali. Ad esempio: − nella comunità #4, le società Sabaf e Gefran, che sono connesse mediante l’interlock di due consiglieri, hanno stabilito un accordo per lo studio di applicazioni elettroniche innovative per elettrodomestici, un’area di 60 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” interesse comune alle due società, e che potrebbe sfociare in una joint venture; − sempre nella comunità #4, l’investment company Cape Live è connessa, tramite il suo vicepresidente Cimino Simone, a Trevisan Cometal, Arkimedica e Screen Service Broadcasting Technologies. Queste sono società in cui Cape ha investito, promuovendone anche la quotazione in Borsa. L’interlock evidenziato è emblematico della strategia aziendale della società, che si basa su una gestione attiva delle proprie partecipate; − nella comunità #5 è presente un gruppo di aziende legate a Confindustria, come Tod’s, Marcolin, Fidia, Cobra Automotive Technologies, Safilo Group e Buzzi Unicem. Queste società sono connesse tramite interlock a Il Sole 24 Ore, il quotidiano di proprietà di Confindustria; − nella comunità #9, Seat Pagine Gialle, Dea Capital e Lottomatica sono tra loro connesse: la prima società infatti gestisce alcuni servizi internet tra cui il portale Virgilio assieme a De Agostini, che controlla Dea Capital e Lottomatica. Un terzo fenomeno da sottolineare nella partizione in comunità è la presenza di società connesse tramite consiglieri indipendenti: essi sono, in genere, professionisti, come avvocati, commercialisti esperti in bilancio e revisione dei conti, oppure esperti di un settore industriale o docenti universitari, che siedono in numerosi board apportando la propria consulenza. Numerosi sono i casi presenti; per citarne alcuni: 61 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” − nella comunità #9, Biancamano, Anima SGR, Assicurazioni Generali e Benetton Group sono connesse tramite Luigi Arturo Bianchi, docente del dipartimento di studi giuridici dell’Università Bocconi; − nella comunità #11, Trevi (che si occupa principalmente di esplorazione e costruzione nel sottosuolo) e Gas Plus (che opera lungo la filiera del gas naturale) sono connesse tramite Guglielmo Moscato, che ha maturato una lunga carriera manageriale nel settore petrolchimico e minerario; − nella comunità #12, Mediolanum, Gewiss e Retelit sono connesse tramite Roberto Ruozi, docente dell’Università Bocconi; Class Editori, Compagnia Immobiliare Azionaria, Mediolanum e Molecular Medicine sono connesse invece tramite Maurizio Carfagna, consulente di servizi finanziari; Daniele Discepolo infine, dello studio legale Discepolo, connette Investimenti & Sviluppo, K.R. Energy e Zucchi. Per maggiore chiarezza, si illustrano gli esempi appena citati con le figure seguenti, che rappresentano il grafo corrispondente ad alcune delle comunità più rappresentative della board network: la Figura 3.7 corrisponde alla comunità #4, la Figura 3.8 alla comunità #9, la Figura 3.9 alla comunità #11 e, infine, la Figura 3.10 alla comunità #12. 62 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.7, comunità #4. Si vede al centro il gruppo Burani e in basso a sinistra il gruppo di Cape Live, Trevisan Cometal, Arkimedica e Screen Service Broadcasting Technologies,, legato da partnership. partnership Figura 3.8, comunità #9. Si vede il gruppo Benetton, la connessione di Dea capital e Lottomatica, controllate da DeAgostini, con Seat Pagine Gialle, e il gruppo di società, in alto a destra, che condividono il consigliere indipendente Luigi Arturo Bianchi (Benetton Group, Biancamano, Anima SGR, Assicurazione Generali). 63 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.9, comunità #11. Sono presenti il gruppo Fiat (con Ifi, Ifil, Juventus Football Club), ill gruppo Pirelli (Pirelli & C., Pirelli & C. Real Estate, Camfin) e il cuore finanziario italiano ita formato da Mediobanca, Unicredit, Intesa San Paolo e Generali. 64 Capitolo 3 – Caso di studio: “corporate board network” e “corporate director network” Figura 3.10, comunità #12. Sono presenti il gruppo Fininvest (Mediaset, Mondadori, Mediolanum),, il gruppo Aurelia S.p.A.. (Sias, FNM, Autostrada Torino-Milano), Torino il gruppo legato ad Eurinvest (Investimenti Investimenti & Sviluppo, Investimenti e Sviluppo Mediterraneo, K.R. Energy, Reno De Medici ed Alerion Industries). Industries) 65 Capitolo 4 – Caso di studio: “ownership network” Capitolo 4 Caso di studio: “ownership network” La teoria delle reti è stata applicata con successo alle reti sociali relative a modelli di corporate governance, descritte nel Capitolo 3, ma è possibile utilizzarla per investigare altre tipologie di reti finanziarie: una di queste è la rete di partecipazioni azionarie che legano un insieme di società per azioni in un determinato sistema economico. Esistono diversi modi per definire una rete di ownership, ciascuno volto ad evidenziare un particolare fenomeno di un sistema finanziario, come ad esempio il controllo o la ownership, oppure volto ad enfatizzare i soli legami diretti piuttosto che gli intrecci di natura indiretta tra le società. La rete descritta in questo capitolo si concentra sui legami diretti e sulle relazioni di ownership tra società quotate in Borsa Italiana. Quest’analisi è particolarmente importante se si pensa che gli assetti proprietari delle società sono la base per la definizione di gruppi societari, i quali sono fortemente presenti nel panorama economico italiano. Nei seguenti paragrafi vengono innanzitutto introdotti i fondamenti teorici relativi alle azioni e alle partecipazioni, che servono alla scrittura della matrice di 66 Capitolo 4 – Caso di studio: “ownership network” adiacenza di una rete orientata. Segue poi un’analisi della rete e delle sue componenti, per concentrarsi infine sull’analisi di comunità. 4.1 Azioni e partecipazioni rilevanti11 La Società per Azioni è una società di capitali, dotata di personalità giuridica e con autonomia patrimoniale perfetta12, in cui le partecipazioni dei soci sono espresse in azioni: questo significa che il capitale sociale è frazionato in un determinato numero di titoli, ciascuno dei quali incorpora una certa quota di partecipazione ed i diritti sociali inerenti alla quota stessa. Tutte le azioni di una società sono caratterizzate da uguale valore nominale e da diritti garantiti ai detentori, indivisibilità, autonomia e circolazione. L'azionista titolare di più azioni può disporne separatamente e autonomamente (ad esempio, può vendere alcune azioni e rimanere proprietario delle altre, oppure può esercitare il diritto di voto con alcune azioni e non esercitarlo con le altre). Esistono diverse tipologie di azioni che si differenziano in base: 11 Il contenuto teorico di questo capitolo è tratto da [17] e [27] in Bibliografia. 12 L’autonomia patrimoniale perfetta è il massimo grado di autonomia patrimoniale. Il patrimonio della società è infatti completamente distinto da quello dei soci, i quali non devono rispondere delle obbligazioni sociali. La responsabilità dei soci è limitata, in via di principio, alla sola quota di partecipazione. 67 Capitolo 4 – Caso di studio: “ownership network” 1. ai diritti che incorporano: a. Azioni ordinarie b. Azioni di risparmio c. Azioni privilegiate d. Azioni a voto limitato 2. al regime di circolazione: a. Azioni nominative b. Azioni al portatore 3. alla capitalizzazione dell'emittente: a. Blue chips b. Small caps 4. altre tipologie: a. Azioni di compendio b. Recovery shares c. Azioni quotate. Le azioni che riguardano questo caso di studio sono quelle ordinarie: le caratteristiche distintive delle azioni ordinarie riguardano i pagamenti discrezionali di dividendi, i diritti residuali sul capitale della società, la responsabilità limitata e il diritto di voto nelle assemblee societarie. I profitti derivanti dal possesso di azioni ordinarie sono rappresentati dai dividendi e dai guadagni in conto capitale (capital gain). Il pagamento e l’ammontare dei dividendi sono determinati dal Consiglio di Amministrazione della società emittente (eletto dagli azionisti ordinari) e approvati dall’assemblea ordinaria. 68 Capitolo 4 – Caso di studio: “ownership network” Tuttavia il diritto degli azionisti a ricevere il dividendo non è assoluto; nel caso in cui, pur in presenza di utili positivi, il consiglio di amministrazione e l'assemblea ordinaria decidano di non distribuire gli utili gli azionisti non riceveranno nulla. In generale, però, quando gli utili non vengono distribuiti sono automaticamente reinvestiti nella società stessa contribuendo ad incrementare i profitti dell'esercizio successivo. La principale componente di remunerazione delle azioni ordinarie è comunque rappresentata dal capital gain, ossia dalla differenza tra il prezzo di acquisto ed il prezzo di vendita dell'azione stessa. In caso di fallimento o di scioglimento della società, gli azionisti ordinari possono vantare soltanto un diritto residuale. Ciò significa che essi avranno diritto a suddividersi pro quota ciò che residua dopo il soddisfacimento di tutte le altre categorie di stakeholder: i creditori, i lavoratori dipendenti, gli obbligazionisti, l’amministrazione tributaria e gli azionisti privilegiati. Tale caratteristica rende le azioni ordinarie più rischiose dei titoli di debito e delle azioni privilegiate. Una delle principali caratteristiche associate alle azioni ordinarie è costituita dal beneficio della responsabilità limitata. Essa implica che le eventuali perdite degli azionisti siano limitate all’ammontare dei conferimenti inizialmente apportati nell’impresa a titolo di capitale, anche qualora il valore delle attività dell’impresa scenda al di sotto di quello dei debiti dovuti. In altre parole, il patrimonio personale dell’azionista resta estraneo rispetto ai diritti vantati dai creditori della società in caso di fallimento. Un'altra caratteristica delle azioni ordinarie è la titolarità di un diritto di voto pieno che fa sì che gli azionisti possano partecipare, pro-quota, ai fatti sociali e alla formazione della volontà assembleare. 69 Capitolo 4 – Caso di studio: “ownership network” Le partecipazioni rilevanti invece si riferiscono a persone fisiche, società o Enti che possiedono, direttamente o indirettamente, quote di partecipazione in una società quotata per un valore superiore al 2% del capitale con diritto di voto. La legge italiana è intervenuta nel disciplinare tali partecipazioni con il fine di rendere trasparenti gli assetti proprietari, favorendo direttamente l'informazione al mercato e, indirettamente, la contendibilità del controllo. È richiesto obbligatoriamente a chi detiene tali partecipazioni di comunicare alla Consob e alla società partecipata le partecipazioni possedute. Queste informazioni consentono di avere un censimento costantemente aggiornato della distribuzione del potere economico in Italia. La Consob ha inoltre stabilito che alcune variazioni rilevanti delle partecipazioni detenute possono comportare nuovi obblighi di comunicazione, ossia quando si partecipa in una società con azioni quotate e la partecipazione supera la percentuale del 5, 7.5, 10 e multipli di 5 o quando la partecipazione scende sotto tali percentuali o al di sotto del 2%. Ai fini degli obblighi di comunicazione sono considerate partecipazioni: 1. le azioni in relazione alle quali spetta o è attribuito il diritto di voto; 2. le azioni delle quali un soggetto è titolare, anche se il diritto di voto spetta o è attribuito a terzi. Inoltre, ai medesimi fini sono anche computate sia le azioni di cui sono titolari interposte persone, fiduciari, società controllate sia quelle in relazione alle quali il diritto di voto spetta o è attribuito a tali soggetti. Lo stesso obbligo è esteso alle società quotate che partecipano in misura superiore al 10% del capitale sociale in una società per azioni non quotata o in una società a responsabilità limitata. 70 Capitolo 4 – Caso di studio: “ownership network” 4.2 La “ownership network” Numerosi studi (si veda ad esempio Faccio e Lang (2002) [28], Garlaschelli (2005) [24], Bertoni e Randone (2006) [25], e D’Errico, Grassi, Stefani e Torriero (2008) [26]) negli ultimi anni si sono concentrati sullo studio di reti di partecipazioni azionarie che legano le società appartenenti ad un sistema finanziario in un fitto intreccio di possessi azionari incrociati. Esistono diverse motivazioni che spingono una società a possedere partecipazioni in altre società: 1. Investimenti di portafoglio, insignificanti per il controllo e che non causano interferenze nelle strategie economiche e finanziarie della società partecipata. I proventi derivanti dalle partecipazioni concorrono alla formazione del reddito di esercizio della società che le acquisisce. 2. Strumento di potere, per esercitare un controllo significativo, talvolta cruciale, sulla società partecipata. Vengono così a crearsi dei gruppi gerarchici, con un nucleo di controllo e una rete fitta di partecipazioni che si snoda attorno ad esso. 3. Alleanza industriale tra due gruppi, che coordinano il loro comportamento in settori di attività di comune interesse. L’alleanza viene sancita mediante partecipazioni in società operative, che non sono rilevanti dal punto di vista del controllo. 71 Capitolo 4 – Caso di studio: “ownership network” 4. Supporto a coalizioni tra più partner: sono partecipazioni di solito inferiori al 10% in società holding o importanti subholding che non sono determinanti dal punto di vista del controllo ma giocano un ruolo strategico di supporto. Esistono quindi diversi modi di rappresentazione delle reti di partecipazioni, a seconda del fenomeno che si vuole studiare. Per esempio, trattando il mercato borsistico italiano, è possibile scrivere una rete di ownership che ha per nodi tutte le società quotate e in cui l’arco , è tracciato se la società possiede una partecipazione rilevante nella società , sia come immediate owner sia come ultimate owner13. In particolare l’arco avrà peso corrispondente alla percentuale di azioni con diritto di voto detenute dall’azienda partecipante in quella partecipata. Se invece si descrive una rete di controllo, i nodi del grafo sarebbero gli stessi del primo caso e l’arco , verrebbe tracciato solo nel caso in cui la società possedesse una partecipazione nella società superiore alla soglia di controllo. In questo caso gli archi non sono più pesati ma hanno valore 1 se c’è controllo, 0 altrimenti. Entrambi i grafi descritti sono orientati e riguardano la cosiddetta “rete ristretta”, quella in cui sono presenti solamente le società quotate. È anche possibile estendere la trattazione, per entrambi i 13 La società corrispondente al nodo può possedere una quota di azioni della società in modo società non quotate che possiedono partecipazioni di . In questo secondo caso è ultimate owner. diretto, qundi come immediate owner, oppure in modo indiretto tramite il controllo di una o più Anche in questo caso le partecipazioni, se rilevanti, devono essere dichiarate alla Consob, come descritto nel paragrafo 4.1. 72 Capitolo 4 – Caso di studio: “ownership network” casi, ad una rete più generale in cui tutti gli shareholder vengono rappresentati come nodi, siano essi società quotate, società non quotate o persone fisiche. Esiste però anche un modo alternativo di allargare la rete ristretta, includendo anche i legami indiretti. In questo modo il grafo non è più orientato e i suoi nodi rappresentano le sole società quotate, mentre gli archi vengono tracciati se almeno una delle seguenti due condizioni è verificata: (i) c’è una partecipazione diretta che lega due nodi (come nel primo caso visto) oppure (ii) due nodi sono entrambi partecipati da una società non quotata in una misura superiore ad un valore soglia 0. In questo modo si sintetizzano molte delle informazioni della rete estesa all’interno della rete ristretta, perdendo però l’indicazione dei nodi non quotati e l’informazione riguardante la direzione degli archi. Per quanto riguarda i pesi degli archi, quando la partecipazione è diretta (i) il peso è attribuito in modo analogo al caso della rete ristretta orientata, invece quando la partecipazione è indiretta (ii) il peso sarà calcolato come R e R R R , dove D indica la società non quotata e indicano, rispettivamente, la quota di azioni con diritto di voto detenuta da D in e da D in . In questo lavoro, si tratterà esclusivamente la rete ristretta di Borsa Italiana relativa alle partecipazioni azionarie, includendo solo casi di partecipazioni rilevanti dirette. Sarà quindi una rete orientata e pesata corrispondente al primo caso esposto. 73 Capitolo 4 – Caso di studio: “ownership network” 4.3 La ownership network di Borsa Italiana 4.3.1 La rete orientata I dati di partenza per la scrittura della matrice di adiacenza sono stati reperiti sul sito internet di Consob e comprendono gli elenchi di tutte le partecipazioni rilevanti per ogni società quotata e la loro capitalizzazione a gennaio 2009. Utilizzando i software Microsoft Excel e Matlab, è stata scritta la matrice di adiacenza che descrive il grafo, i cui nodi sono le 292 società quotate in Borsa Italiana. Gli archi sono tracciati tenendo conto solo di partecipazioni rilevanti dichiarate dalle società quotate, sia come immediate owner sia come ultimate owner, come esposto nel paragrafo 4.2, in modo da ottenere una rete ristretta e orientata. In Figura 4.1 si può vedere il caso base di una catena di partecipazioni tra più società, utile per capire il metodo usato per definire gli archi della rete. società A possiede una quota di partecipazione pari a b nella società B, la quale a Figura 4.1, esempio di catena di partecipazioni per tre società. Nell’immagine, la sua volta possiede una quota di partecipazione pari a i nella società C. 74 Capitolo 4 – Caso di studio: “ownership network” Si consideri lo schema in Figura 4.1 e si immagini di voler tracciare l’arco entrante in C, la società quotata e partecipata: se B è una società quotata, l’arco sarà diretto da B a C con peso pari a ] i, dove ] )DX X^)/ }i, ovvero la percentuale di azioni con diritto di voto emesse dalla società C sul mercato rispetto al capitale sociale, e i la quota di partecipazione della società B nella società C. Se invece B non è quotata, esistono due casi: se anche la società A non è quotata, l’arco non fa parte dalla rete ristretta e non viene tracciato. Nel caso in cui invece A sia quotata, l’arco è diretto da A a C con peso pari a ] b] i, dove ] e ] sono le percentuali di azioni con diritto di voto emesse rispetto ai propri capitali sociali dalla società B e dalla società C, b è l’entità della partecipazione della società A in B e i è l’entità della partecipazione della società B in C. Essendo la società B non quotata, le società che partecipano in essa non sono obbligate per legge a dichiarare l’entità della partecipazione, perciò il valore di ] e b non è noto: l’ipotesi adottata è che entrambi siano pari a 1. Questa ipotesi semplificativa è comunque ragionevole: è infatti probabile che, se una società quotata possiede una partecipazione in una società non quotata, allora la possieda interamente; inoltre è anche probabile che le azioni emesse dalla società non quotata siano tutte con diritto di voto. L’esempio appena fornito è utile per capire la logica con cui è stata scritta la matrice di adiacenza; va anche sottolineato però che nella realtà i meccanismi di partecipazione sono molto più complessi e gli intrecci di partecipazioni molto più estesi di questo semplice caso. 75 Capitolo 4 – Caso di studio: “ownership network” In Tabella 4.1 sono riportate alcune statistiche descrittive della rete di ownership appena definita: essendo considerevole la presenza di nodi isolati, quelli cioè che non hanno né archi entranti né uscenti e corrispondono ciascuno, banalmente, ad una componente connessa (come definita nel paragrafo 1.1), le statistiche sono riportate sia per la rete completa di tutti i nodi sia ricalcolata sulla rete filtrata, da cui sono stati eliminati i nodi isolati. In questo secondo caso le statistiche sui gradi dei nodi risultano più significative. Ownership network Ownership network senza nodi isolati 292 141 Grado entrante medio 0.6473 1.3404 Deviazione standard 1.1822 1.4032 Grado entrante massimo 9 9 Grado entrante minimo 1 1 Grado medio uscente medio 0.6473 1.3404 Deviazione standard 2.0065 2.8178 Grado uscente massimo 20 20 Grado uscente minimo 1 1 Numero di nodi Tabella 4.1, statistiche riguardanti la ownership network delle società quotate in Borsa Italiana secondo i dati dichiarati a Consob a gennaio 2009. La tabella riporta nella seconda colonna le statistiche del grafo composto da tutti i nodi e nella terza colonna le statistiche ricalcolate eliminando dal grafo i nodi isolati. In Figura 4.2 è raffigurato il grafo appena descritto: è orientato e composto da tutte le società quotate in Borsa Italiana che hanno almeno un arco, uscente o entrante, eliminando cioè i soli nodi isolati. Il grafo in figura è perciò composto da 141 nodi anziché 292, suddivisi in un giant component, ben visibile al centro dell’immagine, e tredici componenti più piccole ai lati. 76 Capitolo 4 – Caso di studio: “ownership network” Figura 4.2, ownership network di Borsa Italiana a gennaio 2009. La rete è orientata e sono riportati solamente i nodi non isolati. In Tabella C.1 in appendice sono riportate le etichette con i nomi delle società relative a ciascun nodo. Dalla Tabella 4.1 .1 e dalla Figura 4.2 si evince che esistono alcuni nodi della rete che hanno un grado elevato o in entrata o in uscita, mentre m pochissimi sono i casi in cui un nodo ha molti archi sia entranti che uscenti. Questo è ragionevole poiché una società che detiene molte partecipazioni in Borsa Italiana, difficilmente è a 77 Capitolo 4 – Caso di studio: “ownership network” sua volta partecipata da altre società: molto più probabilmente fa parte di un gruppo gerarchico di cui essa è una holding o una subholding. A causa della struttura della rete, che è per alcuni aspetti somigliante ad un albero, è perciò opportuno eliminare l’orientazione degli archi, simmetrizzando la matrice di adiacenza, quindi iniziare l’identificazione di comunità con l’algoritmo descritto nel paragrafo 2.2.3 [15]. Qualunque algoritmo di identificazione di comunità, infatti, dà luogo a risultati banali se il grafo è orientato e costituito da una struttura simile ad un albero, poiché, a causa dell’orientazione degli archi, non esistono cluster fortemente connessi. Eliminare l’orientazione, peraltro, fa perdere l’informazione su chi partecipa e chi è partecipato, ma, ai fini dell’analisi di comunità, preserva l’informazione sui legami tra società e sulla loro entità. 4.3.2 La rete non orientata Una volta simmetrizzata la matrice di adiacenza ed eliminati i nodi isolati, si ottiene una rete non orientata di 141 nodi con archi a cui è associato un peso valore h 0 se esiste un legame di ownership tra i nodi e , 0 altrimenti. Il rappresenta la quota percentuale di partecipazione di in o viceversa. Come si è notato in Figura 4.2, la rete considerata è caratterizzata da 14 componenti, di dimensioni 108, 4, 4, 3, 3, 3, 2, 2, 2, 2, 2, 2, 2, 2, 78 Capitolo 4 – Caso di studio: “ownership network” di cui la prima è un giant component che contiene il 76.6% dei nodi non isolati della rete di partenza. Le altre tredici componenti, data la loro dimensione trascurabile, verranno tralasciate nell’applicazione dell’algoritmo di identificazione delle comunità e verranno considerate direttamente nell’analisi dei risultati. In Tabella 4.2 invece sono esposte le principali statistiche descrittive del giant component, che sarà oggetto dell’analisi di comunità nei paragrafi successivi. I grafici 4.1 e 4.2 raffigurano, rispettivamente, la distribuzione delle distanze e la distribuzione di grado all’interno del giant component. Sono informazioni interessanti per capire quanto la rete di ownership in Italia sia estremamente fitta e quanto le società quotate siano collegate le une alle altre. Ownership network Numero di nodi 108 Grado medio 3 Grado minimo 1 Grado massimo 23 Distanza media 4.07 Diametro 9, tra ANTICHI PELLETTIERI (9) e CREDITO EMILIANO (41) Tabella 4.2, statistiche descrittive del giant component della ownership network. 79 Capitolo 4 – Caso di studio: “ownership network” Distribuzione delle distanze per la ownership network 22.92% 20.37% 20.17% 18.53% 11.07% 3.70% 2.58% 1 2 3 4 5 6 7 0.64% 0.03% 8 9 distanza Grafico 4.1, istogramma che rappresenta la l distribuzione delle distanze tra tutte le coppie di vertici del giant component della ownership network. La distanza media vale 4.07. Distribuzione di grado della ownership network 0,5 0,45 0,4 0,35 P(k) 0,3 0,25 0,2 0,15 0,1 0,05 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 grado k Grafico 4.2, distribuzione di grado nel giant component della ownership wnership network. network 80 Capitolo 4 – Caso di studio: “ownership network” 4.3.3 L’analisi della struttura in comunità Utilizzando l’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15] esposto nel paragrafo 2.2.3 è stata ricavata la partizione in comunità del giant component della rete di ownership non orientata: il risultato ottenuto suddivide i nodi in 15 comunità e ha modularità m 0.82072, la quale è ampiamente maggiore della soglia 0.5, che indica orientativamente la presenza effettiva di una struttura in comunità in un grafo. In Tabella C.2 in appendice è possibile trovare in dettaglio le partizioni generate dall’algoritmo: sono elencati tutti i nodi suddivisi per comunità e a ciascuno di essi sono associati due punteggi di centralità. Va ricordato, infatti, che la rete di ownership è originariamente orientata: sebbene sia stato usato il corrispettivo grafo non orientato per ottenere una partizione significativa (vedi paragrafo 4.3.2), il punteggio di centralità non è soggetto a questa problematica e può essere definito su qualunque tipo di grafo. La direzione degli archi, anzi, aggiunge un’informazione importante alle misure di centralità dei nodi: per questo motivo il calcolo è stato svolto utilizzando la generalizzazione dell’eigenvector centrality per i grafi orientati, esposta nel paragrafo 1.2, sia per i punteggi di centralità dei nodi nel giant component (vedi Tabella 4.3), sia per i punteggi di centralità dei nodi all’interno di ciascuna comunità (riportati in Tabella C.2 in appendice). Questi ultimi sono calcolati a partire dai sottografi orientati che definiscono gli archi interni a ciascuna comunità, identificata però a partire dal grafo non orientato. È importante sottolineare che, oltre all’utilizzo dei grafi e dei sottografi orientati per i punteggi di centralità, è stata anche introdotta una variante nei pesi: fino ad ora il peso 81 Capitolo 4 – Caso di studio: “ownership network” dell’arco , ha corrisposto alla percentuale di azioni con diritto di voto della società detenuta da . I nodi quindi avevano tutti la stessa importanza e quello che contava era la percentuale con cui una società partecipava in un'altra, con lo scopo di descrivere i rapporti di ownership tra le società considerate. Parlando però di misure di centralità di un nodo rispetto al grafo o sottografo cui appartiene, introdurre un’informazione riguardo all’importanza di ciascun nodo nel sistema economico di riferimento diventa importante per ottenere una misura di centralità più significativa. Per questo motivo, è stato trasformato ciascun peso percentuale nel corrispondente valore monetario (espresso in Euro), moltiplicando il vecchio peso, cioè la percentuale di azioni possedute dalla società partecipante per la capitalizzazione della società partecipata. È evidente che, prendendo l’esempio di una società A che possiede due partecipazioni pari al 15% in due diverse società, B e C, quanto più la capitalizzazione di B sarà maggiore (o minore) di quella di C, tanto più il peso dell’arco da A a B sarà maggiore (o minore) di quello dell’arco da A a C. I dati relativi ai capitali sociali sono stati reperiti sul sito di Consob. I risultati dell’eigenvector centrality generalizzata per il grafo diretto e pesato sulla quota di capitale posseduta, sono elencati in Tabella 4.3. 82 Capitolo 4 – Caso di studio: “ownership network” Nodo Pirelli Alleanza Assicurazioni Intesa San Paolo Gemina Milano Assicurazioni Assicurazioni Generali RCS Mediagroup Banca Generali Saras Centralità f 77% 6% 5% 3% 2% 2% 1% 1% 1% Nodo Camfin Assicurazioni Generali Fondiaria - Sai Mediobanca Alleanza Assicurazioni Premafin Finanziaria Unicredit Milano Assicurazioni Centralità j 61% 15% 10% 9% 1% 1% 1% 1% Tabella 4.3, nodi con maggiore centralità nel giant component della ownership network, ricorda (vedi paragrafo 1.2) che una società ha una centralità b elevata se è partecipata da società considerando il grafo orientato e pesato in base alla capitalizzazione delle società partecipate. Si con centralità i elevata, mentre ha una centralità i elevata se partecipa in società con centralità b elevata. In Figura 4.3 è evidenziata la struttura in comunità del giant component della ownership network. È ben visibile la densità di archi interna alle comunità: in particolare, essendo lo spessore degli archi proporzionale al peso ad essi assegnato, gli archi più spessi cadono tutti all’interno delle comunità. In Figura 4.4 invece è riportato il medesimo grafo ma l’attenzione è posta però sulla distribuzione degli archi tra le diverse comunità e sulla struttura del giant component. 83 Capitolo 4 – Caso di studio: “ownership network” Figura 4.3, ownership network: partizione ottenuta con l’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15]. I nodi del medesimo colore, corrispondenti a comunità e corrisponde ad una modularità m 0.82072. Il numero vicino ad ogni ciascun cerchio, formano una comunità. La partizione raffigurata consiste in 15 cerchio di nodi corrisponde all’etichetta della comunità, lo stesso riportato in Tabella C.2 in appendice. Le etichette dei nodi, cioè il nome dei singoli board, sono elencate egualmente in Tabella C.2, suddivise per comunità di appartenenza. 84 Capitolo 4 – Caso di studio: “ownership network” Figura 4.4,, ownership network. Il grafo rappresenta il giant component e ogni nodo è associato sociato ad un diverso colore a seconda della comunità di appartenenza, appartenenza secondo la partizione in Tabella C.2 in appendice, dove sono anche elencati i nomi delle società associate ai nodi. Lo spessore degli archi è proporzionale al peso ad essi associato. 85 Capitolo 4 – Caso di studio: “ownership network” La rete di ownership analizzata mostra una forte struttura in comunità: analizzandone la composizione, è possibile individuare molti gruppi caratterizzanti il panorama economico italiano. Faccio e Lang (2002) [28] hanno messo in evidenza come in Italia gli assetti proprietari siano caratterizzati principalmente da società a capitale concentrato, in cui non avviene separazione tra proprietà e controllo: la partizione ottenuta conferma questa teoria. Il mercato finanziario italiano è fortemente caratterizzato dalla presenza di gruppi piramidali, formati da una holding che controlla, mediante partecipazioni dirette e indirette (cioè mediante subholding), le società appartenenti al gruppo. Le società controllate sono definite operative se non hanno in portafoglio azioni di società appartenenti al gruppo. Le holding, in Italia, sono in certi casi controllate dallo Stato o, più spesso, fanno riferimento ad un azionista controllante, generalmente un gruppo familiare legato storicamente all’imprenditoria, come se ne vedranno esempi nella partizione in comunità. Esistono comunque casi, anche se in piccola parte, rappresentativi di altre dinamiche che regolano i meccanismi di acquisizione di quote azionarie da parte di società, come visto nel paragrafo 4.2. Va però ricordato che gli archi tracciati nella rete sono di tipo diretto, per cui, ad esempio, il legame tra due società quotate entrambe controllate da una società non quotata non è incluso nella rete. Per questo motivo sono individuabili nella rete molti gruppi piramidali, ma non tutti, e pochi sono gli esempi evidenti di partnership strategica. Lo scopo del caso era però quello di provare l’esistenza di una struttura in comunità nel mercato finanziario italiano, scopo che è stato 86 Capitolo 4 – Caso di studio: “ownership network” pienamente raggiunto. Di seguito sono analizzati nello specifico i risultati, elencati in Tabella C.2 in appendice. Comunità #1: Dada e RCS Mediagroup, le quali hanno stretto una partnership mediante una partecipazione di RCS Mediagroup in Dada. Comunità #2: Antichi Pellettieri fa parte del gruppo Mariella Burani Fashion Group, guidato dalla Famiglia Burani. La casa di moda ha fondato e quotato in borsa la società controllata per espandere la divisione leather goods. Comunità #3: Marcellino Gavio è uno dei maggiori imprenditori italiani nel settore delle infrastrutture. Egli controlla la società non quotata Aurelia S.p.A., holding del gruppo di cui fanno parte Autostrada Torino Milano e Sias. La holding detiene partecipazioni anche in FNM (Ferrovie Nord di Milano), controllate però dalla Regione Lombardia. Comunità #4: il gruppo Fondiaria - Sai è controllato, tramite la holding Premafin Finanziaria Spa Holding di Partecipazioni, dalla Famiglia Ligresti. Milano Assicurazioni è una delle società appartenenti al gruppo. Comunità #5: Vincenzo Manes, tramite Quattroduedue Holding BV, controlla Intek e tramite essa, a sua volta, controlla KME ed Ergycapital. Comunità #6: Cofide, cioè Compagnia finanziaria De Benedetti, è una holding finanziaria controllata dalla Famiglia De Benedetti. Essa partecipa in modo rilevante in CIR, una subholding finanziaria, mediante cui controlla il Gruppo Editoriale l’Espresso e Sogefi. 87 Capitolo 4 – Caso di studio: “ownership network” Comunità #7: la Camfin è una holding che partecipa in Pirelli & C. e in Pirelli & C. Real Estate. Nel suo consiglio di amministrazione siedono esponenti delle Famiglie Tronchetti-Provera, Acutis, Pirelli, così come in quelli delle società partecipate. La Famiglia Acutis inoltre, controlla Vittoria Assicurazioni. Comunità #8: Anima SGR è una società di gestione del credito, prima controllata dal Banco di Desio e della Brianza e successivamente oggetto di offerta pubblica di acquisto da parte della Banca Popolare di Milano. Quest’ultima partecipa anche in Fiera Milano e I viaggi del Ventaglio. Comunità #9: la Compagnia Finanziaria Torinese controlla Banca Intermobiliare di Investimenti e Gestioni, e il Gruppo Zunino controlla Risanamento. Le due società partecipano in alcune società italiane, tra le quali alcune in comune. Comunità #10: Unione di Banche Italiane è uno dei maggiori gruppi bancari italiani e i nodi di questa comunità sono quasi tutte società in cui partecipa: in particolare, tra quelle elencate, IW Bank appartiene al gruppo. Comunità #11: Monrif, holding finanziaria controllata dalla Famiglia Monti Riffeser, è presente nel settore editoriale tramite Poligrafici Editoriale. Investimenti e sviluppo holding, attraverso Investimenti e Sviluppo, una società di partecipazioni, partecipa in Investimenti e Sviluppo Mediterraneo e in Caleffi. Tamburi Investment Partners è una compagnia azionaria fondata dal banchiere Giovanni Tamburi: tra le sue partecipazioni rilevanti, ci sono Monrif, Enervit, Datalogic, Noemalife e Monti Ascensori. 88 Capitolo 4 – Caso di studio: “ownership network” Comunità #12: come si vede in Figura 4.5, sono presenti tre gruppi bancari, cioè la Banca Popolaree di Sondrio, la Banca Popolare dell’Emilia Romagna, che controlla Banco di Sardegna, e infine il Banco Popolare Società Cooperativa, che controlla Credito Bergamasco. Tra le loro partecipazioni, va evidenziato che Banca Italease e Meliorbanca sono comuni a tutti e tre i gruppi. Figura 4.5,, sottografo della ownership network non orientata relativo alla comunità #12 del giant component. Comunità #13:: Intesa San Paolo è un istituto bancario italiano che partecipa in diverse società quotate in borsa, di cui molte sono presenti in questa comunità Comunità #14: la Famiglia amiglia Pesenti controlla Italcementi attraverso la holding di Italmobiliare, che tra le sue partecipazioni detiene anche quella di Mittel. Nella comunità è poi presente Monte dei Paschi di Siena e un vasto gruppo di società in 89 Capitolo 4 – Caso di studio: “ownership network” cui partecipa: tra queste, Sat, la Società Aeroporto Toscano Galileo Galilei, è partecipata sia da Mittel sia da Monte dei Paschi. Comunità #15: qui c’è il cuore della finanza italiana, che consiste nel Gruppo Generali, Mediobanca anca e Unicredit. Sono poi presenti numerose aziende inserite nel portafoglio azionario di uno o più dei gruppi finanziari citati. È presente infine Mediolanum, che detiene una partecipazione in Mediobanca. La comunità è riportata in Figura 4.6. Figura 4.6,, sottografo della ownership network non orientata relativo alla comunità #15 del giant component. È necessario aggiungere che alcuni importanti gruppi italiani fanno parte di componenti non connessi al giant component (a causa dell’utilizzo utilizzo delle sole 90 Capitolo 4 – Caso di studio: “ownership network” ownership dirette), come si vede in Figura 4.2, e per questo non sono stati trattati nell’analisi di comunità. Tra queste componenti si può individuare il gruppo della Famiglia Agnelli, composto da Fiat, Ifi, Ifil e Juventus Football Club, il gruppo della Famiglia Caltagirone, composto da Caltagirone, Cementir, Vianini Industria e Vianini Lavori, il gruppo Eni, che controlla Saipem e Snam rete gas, Telecom con Telecom Italia Media, infine Ansaldo STS controllata da Finmeccanica. È interessante infine confrontare la partizione in comunità della rete di ownership con quella della rete dei board (vedi Capitolo 3) mediante l’indice di coerenza (vedi paragrafo 2.3), poiché uno dei principali motivi di creazione di interlock tra board è il posizionamento di consiglieri esecutivi in società controllate dal gruppo o a causa di meccanismi di partnership. Per fare questo è necessario considerare tutte le società quotate sia nella ownership network sia nella board network, considerando anche quelle non comprese nel giant component. Per ciascuna delle due reti (board e ownership), la partizione considerata è quella che si ottiene dapprima suddividendo la rete in componenti connesse, quindi dividendo il giant component in comunità. L’indice di coerenza così calcolato risulta pari a u 0.9382; quindi è possibile raggruppare il 93.82% delle società italiane allo stesso modo sia considerando la rete delle partecipazioni dirette sia quella dei consigli di amministrazione, confermando quanto detto a riguardo dello strettissimo legame tra il meccanismo di interlock tra più board e quello delle partecipazioni azionarie. 91 Capitolo 5 – Caso di studio: “asset return correlation network” Capitolo 5 Caso di studio: “asset return correlation network” Tra le diverse tipologie di reti finanziarie che è possibile analizzare mediante la teoria dei grafi, quella che nasce dalla correlazione tra serie storiche finanziarie è un esempio particolarmente interessante. In realtà grazie a tecniche di analisi legate alle reti è possibile identificare movimenti comuni tra titoli diversi quotati in una Borsa valori, aprendo così un nuovo punto di vista nell’analisi di sistemi finanziari. Nei paragrafi che seguono sono innanzitutto descritti alcuni metodi per creare reti di correlazione fra prezzi, note come “asset return correlation network”, per poi applicarli a due casi concreti: vengono prese in considerazione alcune reti legate a due famosi indici aggregati, il Dow Jones Industrial Average e l’S&P/MIB, investigate mediante l’analisi di comunità. I risultati ottenuti sono infine interpretati nell’ottica del confronto di tecniche di individuazione di comunità con altri metodi utilizzati in letteratura per il clustering di serie finanziarie. 92 Capitolo 5 – Caso di studio: “asset return correlation network” 5.1 Mercati finanziari e analisi delle serie storiche I mercati finanziari sono sistemi complessi, soggetti ad approfonditi studi da parte di matematici ed economisti. In particolare uno dei paradigmi di base del mercato consiste nell’imprevedibilità dell’evoluzione dei prezzi delle azioni di un titolo quotato in una Borsa valori: di conseguenza, le serie storiche dei ritorni dei prezzi sono modellizzabili come processi casuali. Queste serie storiche però, portano con sé molte informazioni, che possono consentire l’investigazione del mercato finanziario dal punto di vista della sua struttura, tassonomia e gerarchia. In particolare alcuni autori (si veda Mantegna (1999) [29], Bonanno et al. (2002) [35], Brida e Risso (2007) [30], [31] e (2008) [32]) si sono concentrati sulla correlazione tra prezzi di diversi titoli e sull’individuazione di fattori economici comuni che ne guidano l’evoluzione nel tempo, nell’ambito dell’ottimizzazione delle strategie di portafoglio. Gli autori citati, nello specifico, a partire da serie storiche dei prezzi di titoli, hanno costruito delle matrici di correlazione che hanno successivamente elaborato utilizzando metodi quali minimal spanning tree (MST) e hierarchical tree (HT). La stessa tipologia di dati può essere investigata grazie alla teoria delle reti e all’analisi di comunità: nei seguenti paragrafi, a partire dal medesimo set di dati utilizzato dagli autori citati, verrà sviluppata l’analisi di comunità per reti conosciute come “asset return correlation network”. 93 Capitolo 5 – Caso di studio: “asset return correlation network” 5.2 Le reti di correlazione tra prezzi A partire dalle serie storiche relative ai prezzi di chiusura giornalieri e ai volumi scambiati per un paniere di titoli azionari in un determinato orizzonte di tempo (che deve essere necessariamente di alcuni anni, per ottenere una misura di correlazione significativa), è possibile creare una rete di correlazione tra prezzi, in cui i titoli, ovvero le società quotate, sono i nodi e gli archi sono tracciati per ogni coppia di nodi. Il grafo, di nodi, è completo (cioè esiste un arco per ogni coppia di nodi) e non orientato, quindi il numero di archi è pari a ! 1/2. La peculiarità di questa rete risiede nella definizione del peso degli archi: in letteratura (vedi [35], [30] e [32]), tre sono i metodi proposti per definire una misura di correlazione tra i titoli in base alle loro serie storiche. Questa correlazione viene poi trasformata in una distanza tra nodi, dalla quale infine si trarrà il peso da associare ad ogni arco della rete. I tre metodi verranno illustrati nei paragrafi che seguono. 5.2.1 Distanza con metodo Mantegna Il primo metodo è identificato come metodo Mantegna, l’autore che per primo l’ha introdotto [35]. Date le serie storiche dei prezzi di chiusura giornalieri di titoli, si calcolano innanzitutto i ritorni dei prezzi, come: logKE L ! logKE ! 1L, 94 Capitolo 5 – Caso di studio: “asset return correlation network” dove E 8 è il prezzo di chiusura del titolo il giorno 8 e 8 il corrispondente ritorno. Successivamente si calcola il coefficiente di correlazione di Pearson per ogni coppia e di serie temporali, definito come: ! ! K ! L . A questo punto è possibile creare la matrice ( dei coefficienti di correlazione, i quali sono compresi tra !1 A A 1. Il valore -1 indica una coppia di serie temporali completamente anti-correlata, mentre il valore 1 una coppia completamente correlata e, infine, il valore 0 l’assenza di correlazione. La matrice appena definita è simmetrica e gli elementi della diagonale principale valgono tutti 1 (indicano infatti la correlazione di una serie temporale con sé stessa). L’ultimo passaggio consiste nella trasformazione dei valori in distanze, mediante la funzione: ^ 21 ! , che soddisfa (vedi [35]) gli assiomi di metrica Euclidea, cioè le proprietà di positività, simmetria e disuguaglianza triangolare. 95 Capitolo 5 – Caso di studio: “asset return correlation network” 5.2.2 Distanza con simbolizzazione monodimensionale Il secondo metodo è stato introdotto da Brida e Risso nel 2007 [30]. La correlazione tra serie storiche si basa su un processo di trasformazione di dati in una sequenza simbolica, chiamato simbolizzazione, che ha origine dalla Symbolic Time Series Analysis. Si attua mediante la partizione del range di valori della serie storica in un numero finito di sottoinsiemi, etichettato ciascuno con un simbolo. A questo punto si assegna un simbolo ad ogni osservazione della serie storica, in accordo con il sottoinsieme in cui questa rientra. Iniziando da una serie storica b , b , … , b= , … , b composta da vettori b= 9 6 , per 1,2, … , e con dotato di una partizione adeguata, si può successivamente trasformare la sequenza di dati b , b , … , b= , … , b in una sequenza di simboli Y , Y , … , Y= , … , Y , dove Y= Y se e solo se b= appartiene al sottoinsieme etichettato con Y. In questo specifico caso, dopo aver calcolato i ritorni dei prezzi (come nel paragrafo 5.2.1), si crea una partizione in tre sottoinsiemi (valori normali, valori fortemente negativi e valori fortemente positivi) che hanno la funzione di sottolineare movimenti simili nelle serie storiche di due titoli. L’insieme dei valori assunti dal ritorno viene suddiviso in tre regioni come segue: Y 1 Y 0 Y 2 Y 0 Y 3 Y Dove ad 0 e corrispondono i valori di rispettivamente ai percentili 33% e 66%. 96 Capitolo 5 – Caso di studio: “asset return correlation network” Ottenute le serie storiche simboliche per gli titoli, è possibile infine calcolare la distanza tra i titoli e , secondo la distanza Euclidea: =d ^ KY , Y L `KY= ! Y= L , =d dove Y= =d =d e KY= L=d sono le due sequenze simboliche ottenute dalle serie =d storiche dei ritorni di e . La distanza Euclidea funziona come una metrica nello spazio di tutte le possibili sequenze di simboli, fornendo una misura di distanza tra serie storiche in termini di probabilità di accadimento di co-movimenti tra esse: una distanza grande indica che le dinamiche degli andamenti dei due titoli sono molto differenti. Il termine “simbolizzazione monodimensionale” si riferisce all’utilizzo di un solo tipo di dato (il prezzo di chiusura giornaliero) e si usa per distinguere questa metrica da quella utilizzata nel terzo metodo, introdotto nel successivo paragrafo. 5.2.3 Distanza con simbolizzazione bidimensionale Il terzo metodo è stato introdotto da Brida e Risso nel 2008 [32] e consiste in un’estensione del metodo esposto nel paragrafo 5.2.2. Il procedimento è il medesimo del caso monodimensionale, ad eccezione del fatto che vengono utilizzate due diverse serie storiche per ogni titolo: oltre a quella dei prezzi di chiusura giornalieri, si prende in considerazione anche quella dei volumi giornalieri scambiati. Il volume è il numero complessivo di titoli scambiati in un 97 Capitolo 5 – Caso di studio: “asset return correlation network” dato periodo, ed è un indicatore della liquidità di una determinata attività finanziaria; più è elevato il volume degli scambi e più è liquido lo strumento. Un aumento/diminuzione considerevole del volume è, in genere, seguito da una forte variazione nel prezzo del titolo, indice dell'aumentato/calato interesse degli investitori per il titolo o per il mercato. I volumi scambiati e i ritorni sui prezzi possono essere congiuntamente utilizzati come segue: a partire dalla serie storica dei volumi e da quella dei ritorni dei prezzi (calcolata come nel paragrafo 5.2.1), è possibile esprimere un ritorno globale per ogni titolo al tempo come: ¡ , dove è il ritorno dei prezzi e il volume scambiato per il titolo al tempo . A questo punto si può applicare il procedimento di simbolizzazione della serie storica dei ritorni globali, come esposto nel paragrafo 5.2.2 per il caso monodimensionale, fino ad ottenere la matrice delle distanze. 5.2.4 Peso degli archi Qualunque metrica sia usata, una volta ricavata la distanza per ogni coppia di titoli è necessario trasformarla opportunamente in un peso, da associare all’arco tracciato tra i nodi del grafo che rappresentano la coppia di titoli considerata. Nella trasformazione necessaria ad ottenere i pesi, due sono gli aspetti da prendere in considerazione: 98 Capitolo 5 – Caso di studio: “asset return correlation network” 1. la distanza è, per definizione, tanto più grande quanto meno le serie storiche sono correlate; al contrario un peso deve essere tanto più grande quanto più la relazione tra i nodi è stretta. 2. la distribuzione dei pesi non deve essere lineare: il grafo costruito, infatti, è completo ed è quindi necessario differenziare significativamente i pesi per far emergere i legami importanti e, al contrario, rendere pressoché trascurabili i legami deboli. Di conseguenza, i pesi sono stati attribuiti in base all’appartenenza della distanza ad una determinata regione di probabilità. Dalla distribuzione di probabilità delle distanze si calcolano i valori soglia che identificano le regioni di probabilità (0 per il percentile 2.5, per il percentile 5 e ] per il percentile 10), poi si attribuisce all’arco , il peso − − − − dato da: 1 se ^, 0; 0,01 se A ^, ]; 0,1 se 0 A ^, ; 0,001 se ^, ]. A questo punto sono stati definiti tutti gli elementi del grafo che descrive una asset return correlation network. È possibile ora procedere all’analisi della sua struttura: nei seguenti paragrafi infatti verranno generati alcuni grafi utilizzando i metodi appena descritti, per poi procedere all’analisi di comunità. 99 Capitolo 5 – Caso di studio: “asset return correlation network” 5.3 Il set di dati Lo scopo di questo caso di studio è quello di confrontare i risultati della partizione in comunità di una rete di correlazione fra prezzi con i risultati ottenuti dagli autori in letteratura. Per questo motivo i grafi devono essere generati a partire dal medesimo set di dati. Gli articoli di riferimento ([30], [31] e [32]) analizzano le serie storiche di titoli appartenenti a due indici azionari: il Dow Jones Industrial Average e l’S&P/MIB. Gli indici aggregati [27] sono la sintesi del valore del paniere di titoli azionari che rappresentano e i movimenti dell’indice sono una buona approssimazione del variare nel tempo della valorizzazione dei titoli compresi nel portafoglio. Esistono differenti metodologie di calcolo degli indici, a seconda della ponderazione che viene attribuita alle azioni del paniere. Ad esempio: − indici equally weighted, caratterizzati dall’eguaglianza dei fattori di ponderazione per tutti i titoli che compongono l’indice. Essi prescindono dalla capitalizzazione delle società incluse e tutti i titoli hanno il medesimo peso; − indici price weighted, in cui il peso associato ad ogni titolo varia in funzione del suo prezzo. Se il prezzo di un titolo aumenta più degli altri, automaticamente anche il suo peso aumenta all’interno dell’indice. Questo indice ha però lo svantaggio di non rispecchiare correttamente l’andamento dell’intero portafoglio, poiché vengono rappresentati maggiormente i titoli più costosi, a prescindere dal numero di azioni 100 Capitolo 5 – Caso di studio: “asset return correlation network” presenti e dalle dimensioni della società. Il Dow Jones Industrial Average rientra in questa categoria; − indici value weighted, in cui il peso di ciascun titolo risulta proporzionale alla sua capitalizzazione in borsa. Al contrario degli indici precedenti, questi vengono aggiustati e rettificati a seguito di operazioni societarie quali frazionamenti, raggruppamenti, pagamento di dividendi straordinari, scissioni, assegnazioni gratuite o nuove emissioni a pagamento. L’S&P/MIB rientra in questa categoria. Il Dow Jones Industrial Average (DJIA) è un indice azionario di tipo price weighted che rappresenta l'andamento dei primi 30 titoli del NYSE (New York Stock Exchange). L'indice non è legato ad alcun settore specifico e il suo paniere, infatti, include titoli appartenenti a diversi settori produttivi, sia tradizionali sia della New Economy. La scelta di inclusione o esclusione di indici dal paniere spetta alla redazione del "The Wall Street Journal" che normalmente sceglie titoli di società che siano stabilmente operanti negli Stati Uniti e che assumano il ruolo di leader nel loro settore produttivo. Generalmente le modifiche nella composizione dell'indice sono rare e avvengono a seguito di operazioni particolarmente significative quali ad esempio fusioni ed acquisizioni che interessano una o più società incluse nell'indice; in occasione di tali avvenimenti viene operata una revisione totale dell'indice finalizzata non soltanto a recepire le modifiche dovute a tali operazioni, ma anche ad includere o escludere altri titoli in funzione delle analisi che periodicamente vengono condotte sulle principali società. Di conseguenza, sebbene le revisioni siano piuttosto rare, i risultati 101 Capitolo 5 – Caso di studio: “asset return correlation network” possono portare a modifiche particolarmente rilevanti nella composizione del paniere. Nel caso di studio proposto i dati, reperiti dal database Datastream14, riguardano le serie storiche dei prezzi di chiusura giornalieri e dei volumi scambiati dei titoli inclusi nel Dow Jones Industrial Average dal 10 luglio 1986 al 26 gennaio 2007. Essi sono: American International Group, Alcoa, Boeing, Du Pont, United Technology, Honeywell, Caterpillar, General Motors, IBM, Hewell-Packard, Microsoft, Intel, Coca-Cola Co., Disney, McDonalds, Wal Mart, Home Depot, Procter and Gamble, Altria, Johnson and Johnson, Merck, Pfizer, American Express, AT&T, Verizon, General Electric, 3M, ExxonMobil, Citigroup e J.P. Morgan. L’S&P/MIB invece è il paniere che racchiude le azioni delle 40 maggiori società italiane ed estere quotate sui mercati gestiti da Borsa Italiana. I criteri di selezione si basano sulla classificazione settoriale (i titoli devono rappresentare al meglio il tessuto economico del mercato di riferimento), sulla capitalizzazione del flottante e sulla liquidità del titolo. È calcolato, come si è detto, con modalità value weighted: la revisione ordinaria dei pesi è effettuata trimestralmente, mentre quella dei componenti viene effettuata semestralmente. Sono previsti anche 14 Thomson Datastream è uno dei più grandi e importanti database statistici di finanza. Contiene indicatori per oltre 60 mercati e fornisce serie temporali estese fino a un orizzonte temporale di 50 anni. 102 Capitolo 5 – Caso di studio: “asset return correlation network” ribilanciamenti straordinari in modo tale da ottenere la massima rappresentatività della struttura del mercato rappresentato dall'indice stesso. Nel caso di studio proposto i dati, reperiti sempre dal database Datastream, riguardano le serie storiche dei prezzi di chiusura giornalieri di 31 titoli inclusi nel S&P/MIB dal 6 dicembre 2001 al 17 aprile 2007. Non verranno qui presi in considerazione i volumi, per i motivi esposti nel successivo paragrafo. I titoli considerati sono: A2A, Alitalia, Alleanza Assicurazioni, Assicurazioni Generali, Autogrill, Banca Monte dei Paschi di Siena, Banca Popolare Italiana, Banca Popolare di Milano, UBI Banca, Bulgari, Buzzi Unicem, ENI, ENEL, Fastweb, Fiat, Fondiaria - Sai, Gruppo Editoriale l’Espresso, Intesa San Paolo, Italcementi, Luxottica, Mediaset, Mediobanca, Mediolanum, Mondadori, Pirelli & C., Snam Rete Gas, Saipem, STMicroelectronics, Telecom, Unicredito, Unipol. 5.4 Analisi delle comunità Una volta creato il database con le serie storiche sopra elencate, sono stati considerati i seguenti grafi, in accordo con quelli studiati negli articoli di riferimento ([31] e [32]): 1. per l’indice Dow Jones Industrial Average tre grafi, ciascuno completo e di dimensione 30 ( 30, in cui variano i pesi degli archi, calcolati a partire dalle tre diverse metriche per la distanza: 103 Capitolo 5 – Caso di studio: “asset return correlation network” a. metodo Mantegna. Il grafo corrispondente verrà identificato come “caso Mantegna”; b. metodo di simbolizzazione monodimensionale. Il grafo verrà identificato come “caso monodimensionale”; c. metodo di simbolizzazione bidimensionale. Il grafo verrà identificato come “caso bidimensionale”; 2. per l’indice S&P/MIB un solo grafo, completo e composto da 31 nodi, in cui il peso degli archi è calcolato secondo il metodo di simbolizzazione monodimensionale. Il grafo verrà identificato come “caso monodimensionale”. Tutti i grafi sono stati poi analizzati, al fine di identificare una possibile partizione in comunità, con l’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15]. I risultati in termini di modularità e numero di comunità identificate sono riportati in Tabella 5.1. Caso Q # comunità DJIA Mantegna 0.69667 7 DJIA monodimensionale 0.70669 6 DJIA bidimensionale 0.7292 6 S&P/MIB monodimensionale 0.21701 4 Tabella 5.1, riepilogo dei risultati dell’analisi di comunità. 104 Capitolo 5 – Caso di studio: “asset return correlation network” Per quanto riguarda il grafo del Dow Jones Industrial Average, si evidenzia la presenza di comunità, poiché in tutti e tre i casi il valore della modularità eccede la soglia 0.5, che indica orientativamente l’effettiva struttura in comunità di un grafo. Si può inoltre affermare che il metodo di calcolo della distanza per mezzo della simbolizzazione delle serie storiche apporta un’informazione migliore al fine della determinazione dei pesi, infatti al caso Mantegna corrisponde la partizione con modularità inferiore. La partizione con modularità maggiore risulta quindi quella relativa al caso bidimensionale, in cui l’informazione sui volumi scambiati gioca un peso nella determinazione delle correlazione tra le serie storiche dei titoli. Questa partizione sarà quindi oggetto di analisi nel paragrafo 5.4.1. Per quanto riguarda invece il grafo dell’S&P/MIB, il valore della modularità è relativamente basso e non è possibile identificare una struttura effettiva in comunità nel grafo. Nel paragrafo 5.4.2 si analizza il grafo e si indagano i motivi del risultato ottenuto. 105 Capitolo 5 – Caso di studio: “asset return correlation network” 5.4.1 Analisi dei risultati per l’indice DJIA In Tabella 5.2 è riportato in dettaglio il risultato della partizione ottenuta dall’algoritmo [15] per quanto riguarda il grafo risultante dalla simbolizzazione bidimensionale relativo ai titoli che compongono l’indice Dow Jones Industrial Average: le comunità individuate sono 6 e alla partizione corrisponde una modularità m 0.7292. In Tabella 5.3 sono invece elencati i nodi con punteggio di autorità più elevato all’interno del grafo. Community # 1 number of nodes = 2 16 Home Depot 29 Wal Mart Community # 2 number of nodes = 2 6 AT&T 28 Verizon Community # 3 number of nodes = 3 20 Johnson and Johnson 23 Merck 25 Pfizer Community # 4 number of nodes = 4 4 American Express 9 Citigroup 13 General Electric 21 J.P. Morgan Community # 5 number of nodes = 4 15 Hewell-Packard 18 Intel 19 IBM 24 Microsoft Community # 6 number of nodes = 15 1 3M 2 Alcoa 3 Altria 5 American International Group 7 Boeing 8 Caterpillar 10 Coca-Cola Co. 11 DuPont 12 ExxonMobil 14 General Motors 17 Honeywell 22 McDonalds 26 Procter and Gamble 27 United Technology 30 Disney Tabella 5.2, elenco delle comunità della partizione ottenuta dall’algoritmo [15] per la asset return correlation network bidimensionale dell’indice DJIA. 106 Capitolo 5 – Caso di studio: “asset return correlation network” Nodo Autorità Johnson and Johnson 30% Merck 30% Pfizer 30% Citigroup 2% Procter and Gamble 2% General Electric 2% American Express 1% J.P.Morgan 1% Tabella 5.3, elenco dei nodi con punteggio di autorità più elevato all’interno del grafo relativo all’asset return correlation network bidimensionale per l’indice DJIA. Nelle immagini che seguono invece, cioè le Figure 5.1 e 5.2, sono rappresentati i risultati dell’articolo di riferimento [32] e quelli della partizione ottenuta con l’algoritmo [15]. L’immagine in Figura 5.1 rappresenta il Minimal Spanning Tree ottenuto dagli autori Brida e Risso, in cui sono evidenziati i settori industriali di appartenenza delle società presenti. La Figura 5.2 invece rappresenta il grafo della rete del caso di studio: poiché esso è completo, gli archi da raffigurare sarebbero stati ! 1/2. Per chiarezza nella rappresentazione grafica si è deciso di rappresentare solamente gli archi con peso superiore a 0.001, ovvero quelli contenuti nella regione di probabilità del 10 percentile della distribuzione delle distanze. Sono quindi evidenziate nel grafo le coppie di titoli per cui la correlazione tra le serie storiche dei prezzi e dei volumi è particolarmente non trascurabile. 107 Capitolo 5 – Caso di studio: “asset return correlation network” Figura 5.1, tratta da [32]. Minimal Spanning Tree per i titoli presenti nel paniere del DJIA, considerati sia i ritorni sia i volumi scambiati. Il colore dei nodi rappresenta il settore industriale di appartenenza, come si vede nella legenda in basso a sinistra. Le etichette indicano i titoli come segue: 3M (MMM), American International Group (AIG), Alcoa (AA), Boeing (BA), Du Pont(DD), United Technology (UTX), Honeywell (HON), Caterpillar (CAT), General Motors (GM), IBM, Hewell-Packard (HPQ), Microsoft (MSFT), Intel (INTC), Coca-Cola Co. (KO), Disney (DIS), McDonalds (MCD), Wal Mart (WMT), Home Depot (HD), Procter and Gamble (PG), Altria (MO), Johnson and Johnson (JNJ), Merck(MRK), Pfizer (PFE), American Express (AXP), AT&T (T), Verizon (VZ), General Electric (GE), ExxonMobil (XOM), Citigroup (C), J.P. Morgan (JPM). 108 Capitolo 5 – Caso di studio: “asset return correlation network” Figura 5.2, grafo rappresentativo dell’asset return correlation network per il DJIA nel caso bidimensionale. Gli archi tracciati sono solo quelli con peso superiore a 0.001, cioè quelli contenuti co nel decimo cimo percentile della distribuzione di probabilità delle distanze. I colori dei nodi dipendono dalla comunità cui ciascuno di essi appartiene, in base alla partizione in Tabella 5.2. Considerando i risultati della partizione in confronto con la Figura 5.1, si evince che la divisione in comunità è caratterizzata da una logica legata al settore industriale iale di appartenenza del titolo. Le comunità co risultano così composte: 109 Capitolo 5 – Caso di studio: “asset return correlation network” Comunità #1: area retailer (Home Depot, Wal Mart); Comunità #2: telecomunicazioni (AT&T, Verizon); Comunità #3: industrie farmaceutiche (Johnson and Johnson, Merck, Pfizer); Comunità #4: settore finanziario (Citigroup, J.P. Morgan e American Express); Comunità #5: informatica (Intel, Microsoft, IBM, Hewell-Packard); Comunità #6: industria pesante (Alcoa produce alluminio, Caterpillar e General Motors producono macchinari e autoveicoli, DuPont è un’azienda chimica, ExxonMobil un’azienda petrolifera, 3M è presente in più settori ma è caratterizzata principalmente da lavorazioni di tipo industriale come adesivi, abrasivi e materiali elettrici); industria aerospaziale e difesa (Boeing, Honeywell, United Technology); beni di consumo (Coca-Cola Co., Procter and Gamble, Altria cioè ex Philip Morris Inc., Disney, McDonalds). Ci sono due nodi inoltre, per i quali il settore di appartenenza è diverso da quelli precedentemente descritti: il primo è American International Group, una società assicurativa collocata secondo la partizione nella Comunità #6; la seconda è General Electric, una multinazionale attiva nell’ambito di molteplici settori, che spaziano dalla finanza all’automazione fino alla ricerca biomedica, ed è posizionata nella Comunità #4. Per quanto riguarda il primo nodo, il posizionamento si può interpretare sapendo che il suo settore industriale non è condiviso da nessun altro titolo ed il nodo è in effetti collocato nella comunità più grande, in cui molteplici rami sono stati inseriti: l’andamento dei prezzi di questi 110 Capitolo 5 – Caso di studio: “asset return correlation network” titoli evidentemente non è del tutto circoscrivibile ad un settore industriale, così come invece avviene per altri casi. Per quanto riguarda il secondo nodo invece, esso è relativo ad una multinazionale con divisioni in molti settori estremamente diversificati: il nodo è collocato nella Comunità #4, che è costituita da nodi dell’ambito finanziario, un settore che in effetti è presente tra le innumerevoli attività di General Electric. Per quantificare in che misura la partizione ottenuta dall’analisi di comunità rifletta la partizione a priori nel settori industriali identificati, è utile usare l’indicatore di coerenza introdotto nel paragrafo 2.3. In questo specifico caso, vi è una certa arbitrarietà nella partizione a priori, in quanto vi sono alcune aziende non classificate (i 7 nodi bianchi in Figura 5.1). Si può quindi operare in due modi: 1. le 7 aziende non classificate vengono considerate formare un unico insieme nella partizione a priori. In questo caso l’indice di coerenza risultante è pari a u 0.7931; 2. le 7 aziende non classificate vengono considerate come formare ciascuna un sottoinsieme distinto nella partizione a priori. In questo caso l’indice di coerenza è pari a u 0.7724. In entrambi i casi l’indice di coerenza risulta piuttosto elevato. Si può dire che la teoria dei grafi è un buon metodo di studio della correlazione tra prezzi di titoli 111 Capitolo 5 – Caso di studio: “asset return correlation network” finanziari e che l’algoritmo di identificazione di comunità applicato è uno strumento utile nell’analisi di un sistema finanziario. In particolare, mentre il metodo del MST di Brida e Risso ha dato come risultato un albero di cui non si ha alcuna misura quantitativa che ne caratterizzi la bontà in termini di risultato, utilizzando il metodo della divisione in comunità si ha a disposizione l’indicazione quantitativa costituita dal valore di modularità, che indica l’esistenza più o meno effettiva della struttura identificata. Se non ci fosse stata divisione in comunità l’algoritmo non avrebbe partizionato il grafo o, al più, avrebbe accompagnato la partizione con una modularità molto bassa. 112 Capitolo 5 – Caso di studio: “asset return correlation network” 5.4.2 Analisi dei risultati per l’indice S&P/MIB In Tabella 5.4 è riportato in dettaglio il risultato della partizione ottenuta dall’algoritmo [15] per quanto riguarda il grafo risultante dalla simbolizzazione monodimensionale riferito a titoli del paniere dell’indice S&P/MIB. Le comunità individuate sono 4 e alla partizione corrisponde una modularità m 0.21701. In Tabella 5.5 sono invece elencati i nodi con punteggio di autorità più elevato all’interno del grafo. Community # 1 number of nodes = 2 ENI SAIPEM Community # 2 number of nodes = 3 PIRELLI STMICROELECTRONICS TELECOM Community # 3 number of nodes = 7 ALLEANZA ASSICURAZIONI BULGARI ASSICURAZIONI GENERALI MEDIOBANCA MEDIOLANUM Bca PPO. MILANO UNICREDITO Community # 4 number of nodes = 19 A2A AUTOGRILL ALITALIA Bca MONTE DEI PASCHI Bca POP. ITALIANAI BUZZI UNICEM ENEL FIAT FONDIARIA-SAI FASTEWB G.ED.ESPRESSO INTESA SAN PAOLO ITALCEMENTI LUXOTTICA MONDADORI MEDIASET SNAM RETE GAS UBI BANCA UNIPOL Tabella 5.4, elenco delle comunità della partizione ottenuta dall’algoritmo [15] per la asset return correlation network monodimensionale dell’indice S&P/MIB. 113 Capitolo 5 – Caso di studio: “asset return correlation network” Nodo Autorità MEDIOLANUM 21% ASSICURAZIONI GENERALI 19% STMICROELECTRONICS 14% ALLEANZA ASSICURAZIONI 11% UNICREDITO 11% MEDIOBANCA 11% TELECOM 10% MEDIASET 1% BULGARI 1% GRUPPO EDITORIALE L’ESPRESSO 1% BANCA POPOLARE DI MILANO 1% Tabella 5.5, elenco dei nodi con punteggio di autorità più elevato all’interno del grafo relativo all’asset return correlation network monodimensionale per l’indice S&P/MIB. Nelle immagini che seguono invece, cioè le Figure 5.3 e 5.4, sono rappresentati i risultati dell’articolo di riferimento [31] e quelli della partizione ottenuta con l’algoritmo [15]. L’immagine di Figura 5.3 rappresenta il Minimal Spanning Tree ottenuto dagli autori Brida e Risso. La Figura 5.4 invece rappresenta il grafo della rete del caso di studio, anche in questo caso limitato ai soli archi con peso superiore a 0.001 (come nel caso del Dow Jones Industrial Average, nel paragrafo 5.4.1). Sono quindi evidenziate nel grafo le coppie di titoli per cui la correlazione tra le serie storiche dei prezzi è non trascurabile. 114 Capitolo 5 – Caso di studio: “asset return correlation network” Figura 5.3, tratta da [31]. Minimal Spanning Tree per i 31 titoli provenienti dal paniere dell’indice SP/MIB, considerando solo le serie storiche relative ai ritorni dei prezzi. Le etichette indicano i titoli come segue: A2A (AEM), Alitalia (AZA), Alleanza Assicurazioni (AL), Assicurazioni Generali (G), Autogrill (AGL), Banca Monte dei Paschi di Siena (BMPS), Banca Popolare Italiana (BPI), Banca Popolare di Milano (PMI), UBI Banca (UBI), Bulgari (BUL), Buzzi Unicem (BZU), ENI, ENEL, Fastweb (FWB), Fiat (F), Fondiaria - Sai (FSA), Gruppo Editoriale l’Espresso (GR), Intesa San Paolo (ISP), Italcementi (IT), Luxottica (LUX), Mediaset (MS), Mediobanca (MB), Mediolanum (MED), Mondadori (MN), Pirelli & C. (PC), Snam Rete Gas (SRG), Saipem (SPM), STMicroelectronics (STM), Telecom (TIT), Unicredito (UC), Unipol (UNI). 115 Capitolo 5 – Caso di studio: “asset return correlation network” Figura 5.4, grafo rappresentativo dell’asset return correlation network per l’indice S&P/MIB nel caso monodimensionale. Gli archi tracciati sono solo quelli con peso superiore a 0.001, cioè quelli contenuti nel decimo percentile della distribuzione di probabilità delle distanze. I colori dei nodi dipendono dalla comunità cui ciascuno di essi appartiene, in base alla partizione in Tabella 5.4. La partizione in comunità ottenuta ha una modularità inferiore alla soglia s dello 0.5 (vedi paragrafo 2.2.3), e per la rete appena considerata si può affermare che non esiste una vera e propria struttura in comunità: questo si può spiegare pensando alle peculiarità del mercato italiano in i confronto a quello statunitense. Gli assetti proprietari americani sono caratterizzati da società ad azionariato diffuso, dove il 116 Capitolo 5 – Caso di studio: “asset return correlation network” controllo e la proprietà sono elementi distinti: le aziende di questo tipo sono solitamente di grandi dimensioni e il loro capitale di rischio è suddiviso tra moltissimi azionisti, tra i quali nessuno possiede una quota tale da poter esercitare il controllo, di cui è responsabile il management. Per questo motivo, come si è visto nel paragrafo 5.4.1, i titoli quotati possono evidenziare una correlazione di tipo settoriale. Il mercato italiano al contrario, è caratterizzato da gruppi piramidali (Faccio e Lang (2002) [28]), cui di solito fa capo una holding finanziaria: in molti casi sono Famiglie a guidare i gruppi, come ad esempio le Famiglie Caltagirone, Agnelli, Ligresti, Benetton, come si è visto nel Capitolo 4. Nelle società di questo tipo non c’è più separazione netta tra proprietà e controllo: le società sono connesse tra di loro da una fitta rete di partecipazioni azionarie e quindi agiscono con un elevato grado di coordinamento. Di conseguenza, una struttura in comunità è difficile da rilevare su un numero ristretto di titoli, che rispecchiano le maggiori società italiane. È utile confrontare la Figura 5.1 con la Figura 5.3: gli MST dei due casi sono visibilmente diversi, infatti nel caso americano i rami hanno una loro specifica caratterizzazione e sono composti da numerosi titoli, mentre nel caso italiano tutte le aziende si collocano attorno ad un titolo centrale, evidenziando un mercato molto meno dispersivo. A partire dalla partizione in comunità, è comunque possibile identificare tra i quattro gruppi individuati un meccanismo di separazione dell’andamento dei prezzi dei titoli. Nonostante non sia identificabile una struttura in comunità, è però utile analizzare brevemente la suddivisione dei nodi. 117 Capitolo 5 – Caso di studio: “asset return correlation network” La prima comunità evidenzia la separazione di ENI e Saipem dall’andamento degli altri titoli: esse sono intimamente legate, poiché Saipem appartiene al Gruppo ENI. La seconda comunità invece, rileva lo stretto legame tra Pirelli e Telecom: nell’intervallo temporale di riferimento infatti, Pirelli aveva realizzato, tramite la società finanziaria Olimpia S.p.A., il controllo su Telecom. Nella terza comunità, tra i titoli rappresentati, figurano quelli legati a Mediobanca: gruppo Generali (Alleanza Assicurazioni, Assicurazioni Generali), Unicredito, Mediolanum. La quarta comunità infine raccoglie molte società, per le quali non è stato possibile individuare gruppi di correlazione: tra di queste è presente il gruppo delle imprese con controllo statale (Alitalia, Enel, Snam Rete Gas), le società legate al mondo della comunicazione (Mediaset, Mondadori, Gruppo Editoriale l’Espresso), le cementerie (Italcementi e Buzzi Unicem), le banche (Banca Monte dei Paschi di Siena, Banca Popolare Italiana, Intesa San Paolo, UBI banca). I rimanenti titoli sono distribuiti tra le comunità: va però ricordato che questa partizione indica soltanto una tendenza superficiale nella correlazione dei titoli, infatti è associata ad una bassa modularità e non può essere vista come rappresentativa della topologia della rete considerata. 118 Conclusioni Conclusioni In questo lavoro sono state analizzate alcune tipologie di reti finanziarie mediante l’analisi di comunità, una metodologia di indagine della struttura topologica di una rete: grazie alla teoria dei grafi (vedi Capitolo 1) e ad un opportuno algoritmo di cluster detection (vedi Capitolo 2), è stato possibile individuare una partizione significativa dei nodi delle reti considerate. Ad ogni partizione è associata una misura, chiamata modularità, che quantifica l’effettiva esistenza della struttura in comunità nella rete. Applicando questo metodo a tre diversi casi nel settore economico-finanziario, è stato possibile verificare la correttezza delle partizioni ottenute in confronto alle conoscenze teoriche relative ai casi considerati, concludendo che il metodo utilizzato permette un’analisi di reti finanziarie da un nuovo punto di vista, quello delle comunità. Il primo caso studiato (vedi Capitolo 3) è relativo alla corporate board network e alla corporate director network di Borsa Italiana: la prima consiste in una rete di consigli di amministrazione delle società quotate in Borsa Italiana, connessi tramite consiglieri che siedono in più di uno di essi secondo il fenomeno dell’interlock; in modo duale la director network ha i consiglieri come nodi e la co-appartenenza ad uno o più consigli di amministrazione stabilisce un 119 Conclusioni collegamento tra due consiglieri. L’analisi di comunità applicata a queste due reti ha evidenziato l’effettiva presenza di comunità, tra le quali è stato possibile riconoscere alcuni fenomeni tipici del mercato italiano, come la formazione di gruppi piramidali e di partnership e la presenza di consiglieri indipendenti che fungono da consulenti o esperti all’interno di più board. Il secondo caso (vedi Capitolo 4) riguarda la ownership network di Borsa Italiana: considerando le partecipazioni rilevanti tra le società quotate in Borsa Italiana, è stata costruita una rete orientata pesata che riproduce i complessi intrecci dei possessi azionari in Italia. L’analisi di comunità in questa rete ha evidenziato, come nel caso precedente, una forte struttura in comunità, riconducibile all’esistenza di numerosi gruppi piramidali nel mercato italiano. Questo risultato è stato confermato dal confronto tra la partizione della ownership network e quella della board network del Capitolo 3: l’indice di coerenza utilizzato ha evidenziato una partizione pressoché identica tra le due reti, confermando la teoria per cui, nelle società italiane, non c’è separazione tra proprietà e controllo societario. L’ultimo caso consiste nell’analisi di serie temporali finanziarie per due importanti indici di Borsa: il Dow Jones Industrial Average e l’S&P/MIB. A partire dalle serie storiche giornaliere dei prezzi di chiusura e dei volumi scambiati per i titoli appartenenti al paniere dei due indici, sono state costruite due reti in cui i titoli sono i nodi e il peso associato ad ogni arco è una misura di correlazione tra le serie temporali dei due nodi che esso collega. I risultati dell’analisi di comunità hanno messo in luce la differenza sostanziale tra il mercato statunitense e quello italiano. Il primo, infatti, è caratterizzato da società a 120 Conclusioni capitale diffuso e da una netta separazione tra proprietà e controllo e le comunità riproducono la partizione dei titoli considerati nei rispettivi settori industriali di attività. Per quanto riguarda il caso italiano invece, alla luce dei risultati dei precedenti due casi, la struttura in comunità non esiste: i titoli del paniere, infatti, appartengono alle più importanti società italiane, che, come si è visto, sono strettamente legate da partecipazioni azionarie, causando una forte correlazione tra le loro serie temporali e quindi l’assenza di comunità nella rete. Sulla base dei risultati ottenuti nei casi analizzati, è possibile affermare che l’analisi di comunità si rivela un metodo utile per investigare la struttura delle reti finanziarie. A partire dall’analisi svolta, tuttavia, non è difficile ipotizzare alcune direzioni verso cui ampliare la ricerca. Innanzitutto una strada interessante da esplorare consisterebbe nell’introduzione della dimensione temporale nell’analisi della board network, della director network e della ownership network, al fine di identificare l’evoluzione della struttura in comunità di queste reti: ad esempio, a seguito di fusione tra due società si potrebbe individuare un attachment tra i loro board, oppure, con il passare del tempo, si potrebbero ricostruire i passaggi fondamentali nella nascita di un gruppo o di una partnership. Inoltre, la rete di ownership potrebbe essere ampliata secondo i casi esposti nel paragrafo 4.2, introducendo anche i legami non diretti tra società oppure estendendo la trattazione oltre il caso ristretto. Sarebbe anche utile confrontare i risultati con il caso di rete di controllo al posto di quella di ownership. 121 Conclusioni Un’ulteriore strada consisterebbe nell’analisi di diversi mercati borsistici: ad esempio quello statunitense, la cui struttura è profondamente diversa da quello italiano e quindi, come si è visto nel Capitolo 5, potrebbe aprire nuovi punti di vista nell’analisi di comunità e nel confronto tra la ownership network e la board network. Infine, si potrebbe scrivere la asset return correlation network estendendola a tutte le società quotate e non più solo ad un paniere di titoli. Ad esempio, per quanto riguarda Borsa Italiana, un confronto diretto tra la rete dei board, la rete dei possessi azionari e la rete di correlazione tra le serie storiche dei ritorni dei titoli rappresenterebbe un’indagine completa del mercato dal punto di vista dell’analisi di comunità. 122 Bibliografia Bibliografia [1] S. Boccaletti, V. Latora, Y. Moreno, M. Chavez and D.-U. Hwang (2006), “Complex network: Structure and dynamics”, Physics Reports 424, pp.175-308. [2] S. Battiston and M.D. Konig (2008), “From graph theory to models of economic networks. A tutorial”, Lecture Notes in Economics and Mathematical Systems, 613, pp.23-63. [3] P. Erdös and A. Rényi (1959), “On random graphs”, Publicationes Mathematicae 6, pp. 290-297. [4] E. Ravasz, A.L. Somera, D.A. Mongru, Z.N. Oltvai, and A.-L. Barabási (2002), “Hierarchical organization of modularity in metabolic networks, Science, 297, pp. 1551-1555. [5] A.L. Barabási and R. Albert (1999),”Emergence of scaling in random networks”, Science, 286, 5439, pp. 509-512. [6] A. Clauset, M.E.J. Newman and C. Moore (2004), “Finding community structure in very large networks”, Physical Review E, 70, 066111. [7] M.E.J. Newman (2004), “Fast algorithm for detecting community structures in networks”, Physic Reviews E, 69, 066133. [8] S. Fortunato and C. Castellano (2008), “Community structure in graphs”, chapter from Encyclopedia of Complexity and System Science, Springer. [9] M.E.J. Newman (2006), “Modularity and community structures in networks”, Proceedings of the National Academy of Sciences, 103, 23, pp. 8577-8582. 123 Bibliografia [10] M. Girvan and M.E.J. Newman (2002), “Community structure in social and biological networks”, Proceedings of the National Academy of Science of the USA, 99, 12, pp.7821-7826. [11] M.E.J. Newman and M. Girvan (2004), “Finding and evaluating community structure in networks”, Physical Review E, 69, 026113. [12] E.A. Leicht and M.E.J. Newman (2008), “Community structure in directed networks”, Physical Review Letters, 100, 118703. [13] J. Duch, A. Arenas (2005), “Community detection in complex networks using extremal optimization”, Physical Review E, 72, 027104. [14] B. Karrer, E. Levina and M.E.J. Newman (2008), “Robustness of community structure in networks”, Physical Review E, 77, 046119. [15] V.D. Blondel, J.-L. Guillaume, R. Lambiotte and E. Lefebvre (2008), “Fast unfolding of communities in large networks”, Journal of Statistical Mechanics, P10008. [16] Comitato per la Corporate Governance di Borsa Italiana S.p.A. (2006), “Codice di Autodisciplina”, disponibile online all’indirizzo: http://www.borsaitaliana.it. [17] G. Azzone, U. Bertelè (2003), “L’impresa: Sistemi di Governo, Valutazione e Controllo”, Etas, Milano. [18] S. Battiston and M. Catanzaro (2004), “Statistical properties of corporate board and director networks”, European Physical Journal B, 38, pp. 345352. [19] Casaleggio Associati (2005), “Il ‘Social Network’ dei consigli d’amministrazione delle società italiane quotate. La mappa del potere italiano in Borsa.”, disponibile online all’indirizzo: http://www.casaleggio.it/pubblicazioni/focus/il-social-network-deiconsigli.php. 124 Bibliografia [20] R. Grassi, A. Patarnello and E. Szpilska (2008), “Corporate board network and information flows in the Italian stock exchange”, MTISD 2008, Methods, Models and Information Technologies for Decision Support Systems", pp. 110-112. [21] G.F. Davis (1996), “The significance of board interlocks for corporate governance”, Corporate governance: An international review, 4, 3, pp. 154-159. [22] G. Caldarelli and M. Catanzaro (2004), “The corporate boards networks”, Physica A, 338, pp. 98-106. [23] V. Batagelj and A. Mrvar (2008), “Pajek: program for analysis and visualization of large networks. Reference manual”, University of Ljubljana, Slovenia, disponibile online all’indirizzo: http://vlado.fmf.uni-lj.si/pub/networks/pajek/doc/pajekman.pdf. [24] D. Garlaschelli, S. Battiston, M. Castri, V.D.P. Servedio and G. Caldarelli (2005), “The scale-free topology of market investments”, Physica A, 350, 2-4, pp. 491-499. [25] F. Bertoni and P. Randone (2006), “The small-world of Italian finance: Ownership interconnections and board interlocks amongst Italian listed companies”, disponibile online all’indirizzo: http://ssrn.com/abstract=917587. [26] M. D’Errico, R. Grassi, S. Stefani and A. Torriero (2008), “Shareholding networks and centrality: An application to the Italian financial market”, Lecture Notes in Economics and Mathematical Systems, 613, pp. 215-228. [27] Borsa Italiana (2008), “Conoscere la Borsa e gli strumenti finanziari”, disponibile online all’indirizzo: http://www.borsaitaliana.it. [28] M. Faccio, L.H.P. Lang (2002), “The ultimate ownership of Western European corporations”, Journal of Financial economics, 65, pp. 365-395. 125 Bibliografia [29] R.N. Mantegna (1999), “Hierarchical structure in financial markets”, European Physical Journal B, 11, pp. 193-197. [30] J.G. Brida and W.A. Risso (2007), “Dynamics and structure of the 30 largest American companies”, disponibile all’indirizzo Internet SSRN: http://ssrn.com/abstract=982413. [31] J.G. Brida and W.A. Risso (2007), “Dynamics and structure of the main Italian companies”, International Journal of Modern Physics C, 18, 11, pp. 1783-1793. [32] J.G. Brida and W.A. Risso (2008), “Multidimensional minimal spanning tree: The Dow Jones case”, Physica A, 387, pp. 5205-5210. [33] M.E.J. Newman (2003), “The structure and function of complex networks”, Society for Industrial and Applied Mathematics Review, 45, pp. 167-256. [34] Regolamento Europeo n. 2157/2001 dell'08.10.2001, relativo allo statuto della Società europea. [35] G. Bonanno, G. Caldarelli, F. Lilloc, S. Miccichè, N. Vandewalle, and R.N. Mantegna (2004), “Networks of equities in financial markets”, European Physical Journal B, 38, pp. 363-371. [36] S.H. Strogatz (2001), “Exploring complex networks”, Nature, 410, pp.268-276. [37] R. Albert and A.-L. Barabási (2002), “Statistical mechanics of complex networks”, Reviews of Modern Physics, 74, pp. 47-97. [38] S.N. Dorogovtsev and J.F.F. Mendes (2003), “Evolution of Networks: From Biological Nets to the Internet and WWW”, Oxford University Press, Oxford. 126 Bibliografia [39] M. Faloutsos, P. Faloutsos, and C. Faloutsos (1999), “On powerlaw relationships of the internet topology”, Computer Communications Review, 29, pp. 251-262. [40] R. Albert, H. Jeong, and A.-L. Barabási (1999), “Diameter of the worldwide web”, Nature, 401, pp. 130-131. [41] A. Broder, R. Kumar, F. Maghoul, P. Raghavan, S. Rajagopalan, R. Stata, A. Tomkins, and J. Wiener (2000), “Graph structure in the web”, Computer Networks, 33, pp. 309-320. [42] A. Kleczkowski and B. T. Grenfell (1999), “Mean-field-type equations for spread of epidemics: The ‘small world’ model”, Physica A, 274, pp. 355360. [43] C. Moore and M. E. J. Newman (2000), “Epidemics and percolation in small-world networks”, Physical Review E, 61, pp. 5678-5682. [44] R. Pastor-Satorras and A. Vespignani (2001), “Epidemic spreading in scale-free networks”, Physical Review Letters, 86, pp. 3200-3203. [45] R.M. May and A.L. Lloyd (2001), “Infection dynamics on scale free networks”, Physical Review E, 64, 066112. [46] S. Redner (1998), “How popular is your paper? An empirical study of the citation distribution”, European Physical Journal B, 4, pp. 131-134. [47] M.E.J. Newman (2001), “The structure of scientific collaboration networks”, Proceeding of the National Academy of Science of the USA, 98, pp. 404-409. [48] H. Jeong, B. Tombor, R. Albert, Z. N. Oltvai, and A.-L. Barabási (2000), “The large-scale organization of metabolic networks”, Nature, 407, pp.651-654. 127 Bibliografia [49] A. Wagner and D. Fell (2001), “The small world inside large metabolic networks”, Proceeding of the Royal Society of London B, 268, pp. 18031810. [50] J.A. Dunne, R.J. Williams and N.D. Martinez (2002), “Food web structure and network theory: The role of connectance and size”, Proceeding of the National Academy of Science of the USA, 99, pp. 12917-12922. [51] J. Camacho, R. Guimerà and L.A.N. Amaral (2002), “Robust patterns in food web structure”, Physical Review Letters, 88, 228102. [52] D. Flath (1992), “Indirect shareholding within Japan’s business groups”, Economics Letters, 38, 2, pp.223-227. [53] A. Chapelle, (2005), “Separation of ownership and control: Where do we stand?”, Corporate Ownership and Control, 15, 2, disponibile all’indirizzo Internet SSRN: http://ssrn.com/abstract=626727. [54] B. Kogut and G. Walker, (2001), “The small world of Germany and the durability of national networks”, American Sociological Review, 66, 3, pp. 317-335. [55] R. Corrado and M. Zollo, (2006), “Small worlds evolving: Governance reforms, privatizations, and ownership networks in Italy”, Industrial and Corporate Change, 15, 2, pp. 319-352. [56] S. Battiston, J.F. Rodrigues and H. Zeytinoglu, (2007), “The network of inter-regional direct investment stocks across Europe”, Advances in Complex Systems, 10, pp. 29-51. [57] G. Davis and H. Greve, (1997), “Corporate elite networks and governance changes in the 1980s”, American Journal of Sociology, 103, 1, pp. 1-37. 128 Bibliografia [58] G. Davis, M. Yoo and W. Baker (2003), “The Small World of the American Corporate Elite, 1982-2001”, Strategic Organization, 1, 3, pp.301-326. [59] S. Battiston, E. Bonabeau and G. Weisbuch (2003), “Decision making dynamics in corporate boards”, Physica A, 322, pp.567-582. [60] S. Bowles and H. Gintis (2002), “Social capital and community governance”, The Economic Journal, 112, 18, pp.419-436. [61] P.S. Dodds, D. J. Watts and C. F. Sabel (2003), “Information exchange and robustness of organizational networks”, Working Paper Series, Center on Organizational Innovation, Columbia University. Siti web visitati http://www.borsaitaliana.it http://www.consob.it http://www.casaleggio.it http://vlado.fmf.uni-lj.si/pub/networks/pajek/ http://www.ilsole24ore.com/ http://www.milanofinanza.it/ 129 Appendice A Appendici Appendice A – Board network A.1, Board network dei consigli di amministrazione: partizione in comunità in output all’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15] e punteggi di autorità per il caso con pesi normalizzati. Il punteggio di autorità riportato è interno alla comunità, cioè calcolato relativamente al sottografo definito dalla comunità. Modularity 0.66063 – # of Communities 12 Community # 1 number of nodes = 4 FINARTE CASA D'ASTE MONRIF PIQUADRO POLIGRAFICI EDITORIALE Community # 2 number of nodes = 9 BANCA FINNAT EURAMERICA BANCA MONTE DEI PASCHI DI SIENA CALTAGIRONE EDITORE CALTAGIRONE CEMENTIR HOLDING IGD UNIPOL GRUPPO FINANZIARIO VIANINI INDUSTRIA VIANINI LAVORI Community # 3 number of nodes = 14 AEFFE AEROPORTO DI FIRENZE AICON BASIC NET BUONGIORNO EL.EN ERGYCAPITAL EUROFLY GEOX INTEK IT HOLDING KME GROUP PININFARINA SNAM RETE GAS Community #4 number of nodes = 15 ANTICHI PELLETTIERI ARKIMEDICA BIOERA CAPE LIVE CEMBRE DMT GEFRAN GREENVISION AMBIENTE IW BANK autorità 4% 82% 3% 12% autorità 6% 3% 18% 23% 17% 0% 0% 15% 17% autorità 0% 1% 6% 5% 0% 5% 26% 0% 0% 28% 0% 29% 1% 0% autorità 21% 5% 18% 0% 0% 2% 2% 21% 0% MARIELLA BURANI FASHION GROUP OMNIA NETWORK PANARIA GROUP INDUSTRIE CERAMICHE SABAF SCREEN SERVICE BROADCASTING TECHNOLOGIES TREVISAN COMETAL Community #5 number of nodes = 15 BIALETTI INDUSTRIE BREMBO BUZZI UNICEM CICCOLELLA COBRA AUTOMOTIVE TECHNOLOGIES FIDIA IL SOLE 24 ORE MARCOLIN POLIGRAFICA S. FAUSTINO POLTRONA FRAU REPLY RICHARD GINORI 1735 SAFILO GROUP STEFANEL TOD'S Community #6 number of nodes = 16 ACOTEL GROUP ACQUE POTABILI ARENA AGROINDUSTRIE ALIMETARI CENTRALE DEL LATTE DI TORINO & C. ENIA HERA INDESIT COMPANY ITWAY LANDI RENZO MEDITERRANEA DELLE ACQUE SAES GETTERS SCHIAPPARELLI 1824 SERVIZI ITALIA SNIA TELECOM ITALIA MEDIA TXT e-SOLUTIONS 21% 2% 5% 2% 0% 0% autorità 17% 5% 1% 1% 1% 1% 7% 23% 5% 4% 1% 5% 1% 5% 24% autorità 1% 15% 2% 10% 8% 3% 3% 4% 13% 18% 3% 1% 4% 2% 8% 4% Community #7 number of nodes = 17 ACTELIOS AMPLIFON ASTALDI BANCA POPOLARE DELL'EMILA ROMAGNA BANCA POPOLARE DI SONDRIO BANCO DI SARDEGNA DIASORIN ERG RENEW ERG EVEREL GROUP FIERA MILANO GRUPPO MUTUIONLINE MARR MELIORBANCA RDB SORIN TAS Community #8 number of nodes = 18 A2A BANCA PICCOLO CREDITO VALTELLINESE BANCO POPOLARE CAIRO COMMUNICATION CREDITO ARTIGIANO CREDITO BERGAMASCO DMAIL GROUP EDISON FASTWEB FONDIARIA-SAI GRUPPO CERAMICHE RICCHETTI IMMOBILIARE LOMBARDA IMPREGILO MILANO ASSICURAZIONI PREMAFIN FINANZIARIA SADI SERVIZI INDUSTRIALI SOL YORKVILLE BHN Community #9 number of nodes = 22 ACEA ANIMA SGR ASSICURAZIONI GENERALI ATLANTIA autorità 15% 8% 5% 0% 4% 0% 3% 20% 19% 2% 0% 10% 0% 1% 2% 8% 2% autorità 2% 0% 2% 0% 0% 2% 2% 1% 2% 22% 2% 18% 6% 20% 16% 2% 0% 0% autorità 1% 3% 4% 8% i Appendice A AUTOGRILL AUTOSTRADE MERIDIONALI BANCA ITALEASE BENETTON GROUP BENI STABILI BIANCAMANO BULGARI CARRARO DEA CAPITAL I.M.A. ISAGRO LOTTOMATICA LUXOTTICA GROUP MEDIACONTECH PERMASTEELISA PIERREL PRYSMIAN SEAT PAGINE GIALLE Community #10 number of nodes = 24 AEDES BANCA INTERMOBILIARE DI INVESTIMENTI E GESTIONI CIR COFIDE DAMIANI DATALOGIC DATA SERVICE DE LONGHI GRUPPO EDITORIALE L'ESPRESSO I GRANDI VIAGGI IMMSI INTERPUMP GROUP IRIDE M&C NOVA RE PIAGGIO & C PREMUDA PRIMA INDUSTRIE SARAS SOCOTHERM SOGEFI SOPAF TAMBURI INVESTMENT PARTNERS ZIGNAGO VETRO Community #11 number of nodes = 30 ACEGAS ALLEANZA ASSICURAZIONI ANSALDO STS 16% 1% 2% 15% 2% 3% 6% 5% 9% 0% 0% 6% 10% 1% 2% 2% 1% 2% autorità 0% 7% 17% 17% 0% 1% 0% 2% 10% 1% 4% 3% 3% 6% 4% 6% 0% 0% 1% 0% 15% 1% 2% 1% autorità 1% 2% 1% BANCA GENERALI BANCA PROFILO CAMFIN CREDITO EMILIANO DUCATI MOTOR HOLDING ENEL ENERVIT ERGO PREVIDENZA FIAT GABETTI PROPERTY SOLUTIONS GAS PLUS GEMINA IFIL INVESTMENTS IFI INTESA SAN PAOLO ITALCEMENTI ITALMOBILIARE JUVENTUS FOOTBALL CLUB MEDIOBANCA MITTEL PIRELLI & C REAL ESATE PIRELLI & C RCS MEDIAGROUP TELECOM ITALIA TREVI UNICREDIT VITTORIA ASSICURAZIONI Community #12 number of nodes = 33 ALERION INDUSTRIES ARNOLDO MONDADORI EDITORE AUTOSTRADA TORINO MILANO BANCA CARIGE SPA BANCA POPOLARE DI MILANO BEGHELLI CLASS EDITORI COMPAGNIA IMMOBILIRE AZIONARIA DAVIDECAMPARI ENI ESPRINET FINMECCANICA FNM GEWISS INVESTIMENTI E SVILUPPO MEDITERRANEO INVESTIMENTI & SVILUPPO K. R. ENERGY MAIRE TECNIMONT MEDIASET MEDIOLANUM 2% 0% 2% 0% 1% 0% 0% 3% 10% 0% 0% 1% 12% 13% 4% 3% 4% 3% 2% 1% 2% 6% 8% 5% 3% 3% 5% autorità MOLECULAR MEDICINE PARMALAT RATTI REALTY VAILOG RECORDATI RENO DE MEDICI RETELIT RISANAMENTO SIAS SOCIETÀ CATTOLICA DI ASSICURAZIONE TERNA UNIONE DI BANCHE ITALIANE ZUCCHI 0% 0% 0% 11% 1% 13% 0% 4% 7% 0% 1% 0% 5% 7% 0% 8% 0% 1% 1% 0% 0% 1% 0% 2% 3% 4% 0% 9% 11% 12% 0% 0% 0% ii Appendice B Appendice B – Director network B.1, Director network dei consiglieri: partizione in comunità in output all’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15] e punteggi di autorità per il caso con pesi normalizzati. Il punteggio di autorità riportato è interno alla comunità, cioè calcolato relativamente al sottografo definito dalla comunità. Modularity 0.87590553 # of Communities 38 Community # 1 number of nodes = 11 bernoni giuseppe brasca roberto chiesa enzo foà alberto amilcare frigerio roberto grandi giorgio giuseppe martinelli giordano masiero fulvio piazza marco redaelli nerico rovellini andrea Community # 2 number of nodes = 12 alessandria giuseppe amo enrico mario boniolo antonio denegri gustavo denegri michele even chen menachem formiggini anna maria garibaldi ezio holland susan carol moscetti franco rosa carlo treves vanni emanuele Community # 3 number of nodes = 13 bombonato claudio carnevale maffè carlo alberto forti fausto frigoli alberto frigoli emilio frigoli francesco frigoli giovanni frigoli giuseppe ingegnatti sergio mezzalama marco pepino oscar rizzante mario rizzante tatiana Community # 4 number of nodes = 16 beghelli gian pietro beghelli graziano beghelli luca beghelli maurizio bonato oliviero cariani giorgio gatto giuseppe autorità 9% 9% 9% 9% 9% 9% 9% 9% 9% 9% 9% autorità 11% 11% 11% 11% 11% 11% 1% 11% 1% 8% 11% 1% autorità 11% 11% 11% 2% 2% 2% 2% 2% 11% 11% 11% 11% 11% autorità 9% 9% 9% 9% 3% 9% 3% orlandini carlo pecci giovanni pedrazzi fabio provera giovanni taddei franco tamburini matteo testori angelo trancanella umberto zunino luigi Community # 5 number of nodes = 17 businaro ferdinando culzoni fernando donà dalle rose marco faggion alberto grisan franco marzotto gaetano marzotto luca marzotto nicolò marzotto stefano musi armando simonetto gianfranco soave irina selvaggia soave luisa bue soave zenone sobrero maurizio valerio claudio zanguio mauro Community # 6 number of nodes = 18 bolster william capolino gabriele carfagna maurizio cattaneo dellavolta giovanni battista costa novaro nicoletta stefania del bue paolo fanfani marco kann peter r librio samanta magnaschi pierluigi panerai beatrice panerai luca nicolò paolo panerai paolo andrea riccardi angelo terrenghi vittorio uckmar victor vitiello umberto zonin domenico Community # 7 number of nodes = 21 alessandri nerio angiolini giuseppe angiolini guido 3% 9% 9% 9% 3% 8% 3% 3% 3% autorità 9% 2% 9% 9% 9% 9% 9% 9% 9% 2% 2% 2% 2% 7% 9% 2% 2% autorità 6% 6% 5% 4% 4% 6% 4% 6% 6% 6% 4% 7% 7% 7% 7% 6% 4% 4% autorità 1% 8% 8% bencini giuseppe capelli carlo cereda maurizio clini stefano de luca sergio fontana giovanni genuardi gerlando grimaldi alessandro lalli francesco mogavero michele pansa alessandro pinto eugenio rebecchini clemente roberti sante salvetti attilio sorbini alberto sorbini giuseppe sorbini maurizia maria giulia Community # 8 number of nodes = 23 anagnostopoulos lambros carletti alberto cartone tommaso castelli carlo castelli luca corrada renato de longhi fabio de longhi giuseppe de longhi silvia de luca giulia garavaglia carlo gnech emilio ettore graidi stefano grassi damiani giorgio andrea grassi damiani guido roberto grassi damiani silviamaria malerba giancarlo noto alfio pozza lorenzo redaelli fabrizio sandri giorgio sartori silvio scarsi pio Community # 9 number of nodes = 23 bazzano roberto borrini amerigo cantarella paolo carbonato gianfranco costa giacomo dinia antonio d'isidoro sandro ferrari carla patrizia garbati roberto 8% 1% 3% 1% 4% 8% 4% 8% 4% 8% 4% 9% 8% 4% 4% 1% 1% 1% autorità 7% 7% 7% 7% 7% 2% 2% 2% 2% 3% 6% 7% 3% 3% 3% 3% 3% 5% 3% 7% 2% 2% 7% autorità 7% 3% 7% 5% 4% 4% 1% 7% 7% iii Appendice B gozzi antonio lavatelli ernesto mansour michael mansour rafic youssef margini mario mauri mario peiretti domenico pinciroli marco quaglia giovanni rosina alcide ezio rosina anna rosina stefano zapponini alessandro zara stefano Community # 10 number of nodes = 24 candotti michele cannatelli vincenzo cooper michael cova domenico d'agnese luca d'urso mario gallo marcello graziosi giovanni battista lazzaretti tiziano lignana giuseppe losi giancarlo macdonald james manes vincenzo moriani diva orlando paolo orlando salvatore jr parisi antonino pecci alberto pirelli alberto pistelli luigi romano italo amedeo saltalamacchia marco siclari pasquale testa enrico Community # 11 number of nodes = 29 benedetti gino bolelli gianluca caruso pier paolo floriani lodovico folco giancarlo forchielli alberto malagoli andrea manaresi angelo mancuso giorgio mazzara canio giovanni micheletti giancarlo minguzzi italo giorgio o'brien john paolucci umberto petrone raffaele piol elserino poggi luca schiavina maria carla todini luisa tunioli roberto vacchi alberto vacchi gianluca vacchi marco van langenberghe henri kool visani luigi visentini stefano volta gabriele volta romano volta valentina Community # 12 number of nodes = 30 agostini marco ballester andrè michel bassi paolo giorgio braghieri paolo 4% 7% 1% 1% 7% 1% 1% 1% 7% 7% 4% 4% 4% 7% autorità 2% 6% 0% 7% 2% 7% 8% 4% 0% 7% 7% 4% 7% 7% 4% 8% 0% 4% 4% 4% 7% 0% 0% 2% autorità 5% 1% 4% 4% 5% 4% 5% 4% 1% 1% 4% 5% 4% 2% 1% 4% 5% 5% 1% 2% 5% 4% 5% 1% 1% 5% 4% 6% 4% autorità 1% 8% 1% 8% cappone michele carbonatto andrea caruso giuseppe colombo achille consoli enrico de masi antonio paride di giacomo luca facchini paolo falck enrico ottaviano guidotti francesco isabella bruno lonati tiberio marchi ferruccio marinelli luciano marniga romano mattarelli andrea nicoli enzo ottani paolo perrini francesco prestia julia rosa umberto tellarini roberto trabucchi marco mario vanoni paolo zaglio andrea zulli claudio agostino Community # 13 number of nodes = 32 angelo mark attolico trivulzio gian giacomo bianchi roberto carlo boschetti giancarlo brambilla franco cassaro renato cirla giorgio cocco sandro colaninno matteo colaninno michele colaninno roberto de carolis adrio maria de martini luca mario fragni maria cristina galliani adriano gambaro mauro guidi guidalberto la noce luciano pietro magnoni giorgio magnoni luca emilio alessandro martignoni renato neri giancaludio prete marco rey mario soldera gianfranco stella marco valliti maurizio vender giovanni jody viganò gianluigi volpi mario zambon antonio zanone poma andrea Community # 14 number of nodes = 33 azario alberto baronio franco calegari italo capra renzo cariello alfredo carluccio emanuele maria castagnola franco cimini vincenzo coda vittorio colombelli anna maria corsi luigi crippa guido de angelis domenico di battista maria luisa di maio maurizio 8% 1% 1% 1% 8% 1% 6% 1% 1% 1% 1% 8% 1% 1% 1% 6% 8% 1% 1% 1% 5% 1% 8% 1% 1% 8% autorità 0% 1% 0% 9% 0% 9% 7% 0% 1% 1% 1% 0% 0% 0% 9% 1% 9% 1% 7% 9% 9% 1% 0% 9% 0% 9% 0% 9% 0% 0% 0% 0% autorità 0% 5% 5% 5% 1% 5% 0% 0% 1% 5% 1% 5% 1% 5% 4% fagioli marzocchi enrico faroni maurizio ferruzzi cesarina gnutti giacomo gotti giuseppe grossi giuseppe innocenzi fabio menini franco minolfi massimo monorchio andrea motta alberto percassi antonio ratti mario romanin jacur roberto sigliente stefano titta paolo ventura vittorio gabriele zonca cesare Community # 15 number of nodes = 33 astaldi caterina astaldi paolo astaldi pietro belcredi massimo bettonte luca cafiero giuseppe cardarelli lino cerri stefano cimoli giancarlo di paola vittorio garozzo aldo garrone alessandro garrone edoardo garrone riccardo garrone vittorio gatti giuseppe giordano pietro grassini franco alfredo guastoni antonio guidobono cavalchini luigi+ lanzoni paolo francesco lupo mario mazzanti giorgio mondini gian piero mondini giovanni monti erensto oliva nicola panella paolo poloni maurizio russo salvatore tognacca raffaele tosato gianluigi zerbino guido sebastiano Community # 16 number of nodes = 38 airaghi enrico artali mario bartezzaghi emilio caniato luca castelnuovo emilio coppini giuseppe corali enrico corigliano rocco crosta eugenio discepolo daniele fusilli roberto garraffo mario gunnarsson william lonardi piero martellini maria mazzotta roberto mazzotta roberto motterlini michele musetti umberto nazzari federico pedersoli carlo pittatore gianfranco 1% 5% 0% 5% 0% 4% 5% 5% 1% 0% 5% 5% 5% 1% 0% 0% 0% 5% autorità 7% 7% 7% 0% 1% 7% 0% 7% 1% 7% 0% 1% 0% 0% 1% 1% 1% 7% 0% 7% 0% 7% 1% 0% 0% 5% 7% 1% 7% 1% 1% 7% 0% autorità 5% 5% 0% 5% 5% 5% 5% 5% 5% 0% 5% 0% 0% 5% 3% 3% 5% 5% 0% 0% 0% 5% iv Appendice B ponzellini franco priori marcello recordati alberto recordati andrea recordati giovanni tamburini jean jacques tarantini graziano tavormina valerio vitale marco wenninger walter zafferino michele zucchi frua barbara zucchi frua niccolò zucchi giordano zucchi manilo alberto zucchi matteo Community # 17 number of nodes = 39 angileri nocolò belloni antonio benassi lino boudier marc buscarini fabio camus daniel capotosti sandro cavanna silvana cocchi mario cossutta dario dipalo carmine gadonneix pierre galeone gateano gilberti enrico girelli giorgio angelo gitti gregorio gorno tempini giovanni I grimaldi arnaldo gros pietro gian maria lagorio serra riccardo lanari luigi lentati attilio leonardo lucchini marco majocchi luca manara marco marini michele masera pietro giovanni merler marco morgano luigi quadrino umberto ravanelli renato amilcare riello ettore rondelli simone rossetti paolo strozzi ivan torchiani renzo torchiani sandro volpi nicola wolf gerard Community # 18 number of nodes = 41 abete luigi alemagna emanuele barnabò livio benedetti maurizio boscarato maurizio cambri luigi coffen giovanni marcolin coffen marcolin cirillo coffen marcolin maurizio colombini giorgio corbelli giorgio cordero di montezemolo luca della valle andrea della valle diego della valle emanuele della valle fabrizio forner ugo grassi remo 0% 5% 0% 0% 0% 5% 5% 5% 3% 0% 5% 0% 0% 0% 0% 0% autorità 0% 8% 3% 1% 0% 1% 0% 0% 1% 8% 8% 1% 0% 8% 0% 1% 0% 0% 4% 0% 8% 0% 8% 8% 0% 8% 8% 1% 0% 1% 1% 0% 0% 1% 1% 0% 0% 8% 1% autorità 5% 5% 2% 0% 6% 4% 5% 5% 5% 0% 0% 2% 4% 4% 4% 4% 2% 0% lazzaroni giuseppe lorenzoni gianni macellari emilio marchese sergio menegatti angelo montagna carlo palmieri marco palmieri pierpaolo pelizzari carlo pellegrino marco piantoni alberto piccioli marcello ranzoni francesco ranzoni roberto rittatore vonwiller alberto salvatori stefano saracchi massimo saviotti perfrancesco schegginetti stefano sincini stefano tampalini giovanni trotta roberto varvaro vito Community # 19 number of nodes = 42 agnoli marcello airoldi giuseppe badioli somone basile giorgio basile maurizio bifulco rosario bonomi campanini andrea giuseppe borghi stefano cammarano guido croff davide de cardona roberto ferretti alberta ferretti massimo giovani franco giustiniani pierfrancesco goulandris dimitri greco nicola guidotti mimmo lonzar roberto lualdi ambrogio lugano roberto luviè massimo maccarone salvatore mafessanti lucio malacarne carlo mantovani massimo marsegaglia aldo mazzega massimo meomartini alberto mondazzi massimo nale franco piovene porto godi cesare porcelli michele quattrin tommaso razzano dante rienzi nicolò francesco santini renato sarcinelli mario tassinari marcello zoncada antonio zuccarello lucio zuccarino andrea Community # 20 number of nodes = 44 alcini pasquael bardelli paolo buitoni giuseppe buonvino leonardo caltagiorone francesco caltagirone alessandro caltagirone azzurra 0% 0% 6% 0% 2% 5% 0% 0% 0% 0% 1% 0% 2% 2% 0% 5% 5% 2% 2% 4% 0% 0% 6% autorità 6% 4% 1% 0% 0% 3% 6% 1% 0% 7% 0% 1% 1% 1% 1% 6% 6% 0% 4% 5% 3% 0% 0% 6% 4% 4% 0% 0% 4% 4% 0% 6% 1% 0% 6% 1% 4% 0% 1% 0% 0% 1% autorità 5% 1% 1% 1% 1% 4% 4% caltagirone edoardo caltagirone francesco caltagirone gaetano caltagirone saverio cannarsa cristiano capece minutolo massimiliano carlevaris carlo cattaneo flavio ciliberto mario confortini massimo corsico fabio cristini franco dal pino paolo carlo renato del fante matteo delfini mario diaz dalla vittoria pallavici sigieri frascari giuseppe garzilli massimo gera fabio gozzetti tommaso grappelli roberto leone luciano machetti claudio machì salvatore majore albino marchini alfio montevecchi walter mosetti umberto nattino angelo nattino giampietro nicolini riccardo polo michele rosania alberto roth luigi santiccioli arnaldo tusino elvidio violati massimo Community # 21 number of nodes = 46 arletti renzo beltrame fulvio botti umberto bracchi giampio breveglieri paolo breviglieri franco brunero ilario caputo paolo ceccherini andrea cefis giorgio camillo marcello conti franco cottignoli federico croce gian luigi dallocchio maurizio de albertis claudio de vido andrea del prete adriano ferrarese franco fontana aldo gabetti elio gabetti giovanni gatti giorgio gazzola filippo giordano giancarlo giordano ugo gomiero giovanni malaguti massimo marcegaglia steno minasola domenico molinari ugo antonio maria monteleone angelo monti riffeser maria luisa paniccia massimo passero davide angelo mario pillon cesare riffeser andrea leopoldo riffeser monti matteo riffeser monti sara 5% 4% 2% 5% 1% 2% 4% 4% 5% 4% 5% 1% 1% 1% 4% 1% 1% 1% 1% 1% 1% 5% 1% 1% 2% 5% 5% 1% 1% 1% 5% 1% 1% 0% 1% 1% 1% autorità 6% 0% 1% 3% 6% 6% 6% 6% 0% 0% 6% 6% 1% 5% 1% 1% 0% 0% 0% 1% 1% 0% 6% 1% 1% 0% 0% 1% 0% 1% 6% 0% 0% 1% 0% 0% 0% 0% v Appendice B rizzi augusto romanelli manilo scovoli stefano trombetta alessandra valdani enrico vallardi carlo luigi vecchi maurizio zanini mariani alessandro Community # 22 number of nodes = 49 achille norbrto angioni giovanni antonello giulio arona enrico barcellona eugenio binasco bruno boschetti gianfranco bottini bongrani aldo bozzano cesare braja alessandro cammara alfredo casale pasquale castellani chiara cattaneo erensto comana mario corbello sergio de vecchi giovanni fabris nanni fanelli roberto ferrari alberto ferrero cesare formica riccardo garofano giuseppe maria gavio beniamino gavio daniela giussani gaetano kunze concewitz robert lechi di bagnolo nogarole paolo macchia vincenzo marchesini paolo marti benedetto medda ettore giuseppe onofri anna maria perelli cippo pasquale marco piantini ferruccio pierantoni paolo randazzo salvatore rispoli vittorio rosani carlo rosani giovanni rosani sara ruggiero renato saccardi stefano sacchi alberto spallanzani antonio spizzica alvaro spoglianti agostino tedeschi gaetano toffetti gian cesare Community # 23 number of nodes = 50 ago francesco alberini renato albini tea antinori piero arduino gian carlo argenzano margherita bandieramonte stefano barel bruno barosco giorgio battaggia fabio bazzocchi barbara bertolini francesco blasi paolo bolzanello diego cammilli alberto cangioli andrea 6% 0% 1% 6% 6% 6% 6% 0% autorità 0% 6% 3% 6% 0% 4% 5% 0% 0% 5% 4% 0% 0% 6% 0% 5% 0% 4% 0% 0% 3% 4% 2% 4% 6% 0% 0% 0% 5% 0% 0% 0% 0% 0% 5% 5% 0% 2% 0% 0% 0% 0% 0% 5% 0% 4% 4% 0% 0% autorità 0% 0% 6% 6% 0% 0% 0% 0% 0% 6% 0% 0% 0% 0% 6% 0% caprio lorenzo carnevale claudio clementi gabriele cremona emilio de rita luca ferrario angelo fini aldighero galoppi giovanni gianni francesco giusti alessandro antonio gravina giuseppe guizzi giuseppe hassan luciano legnaioli michele lomonaco giuseppe longo carlo magnabosco maurizio marinari francesco mattiussi andrea mauro mario modi stefano mosca fabio napoli aldo onorato antonio panerai carlo panerai saverio pippobello ivano polegato moretti enrico polegato moretti mario ragnedda luca rosa sergio rossi giovanni roverato paolo trivi franco Community # 24 number of nodes = 51 acciari luciano alpeggiani giorgio ariaudo corrado bassetti aldo bernardocchi carlo berretti claudio bombassei cristina borletti giovanni branca di romanico niccolò cavallini giovanni clementi corinne clementi luigi clementi paolo massimo dallera giancarlo d'amico cesare de vecchi arturo guido dossena giovanni maria ferrero giuseppe franzone alberto frau carlo francesco ghio antonio gragnani claudio gritti alessandra manuli mario manuli sandro marinsek paolo massinelli marcello merati foscarini marco mocchi giancarlo molinotti anna montipò fulvio mortara carlo andrea nicodano umberto carlo maria pagani paolo pauly francois perroni maurizio pessi mauro petrillo annamaria petta maurizio pistorio pasquale riva lorenzo 0% 0% 0% 0% 0% 0% 6% 0% 0% 0% 0% 0% 0% 4% 0% 6% 6% 6% 0% 6% 0% 0% 6% 0% 6% 6% 6% 0% 0% 0% 0% 5% 3% 0% autorità 0% 0% 1% 0% 5% 3% 0% 0% 4% 1% 0% 0% 0% 0% 4% 5% 0% 3% 1% 1% 0% 4% 3% 4% 4% 0% 5% 4% 0% 0% 0% 0% 0% 5% 1% 5% 0% 5% 4% 0% 0% roma giuseppe rossetti edoardo sabelli rocco sala francesco sammartino giuseppe seymandi adriano tamburi giovanni tiraboschi matteo trezzi emanuela vismara marco andrea Community # 25 number of nodes = 52 barabani pierfranco barlassina pier giorgio bassi paolo bazoli giovanni benedetti claudio biglioli paolo bollino carlo andrea bombassei alberto bonisolo gianluigi rino carlo bonomi giorgio catani antonio ciccolella antonio ciccolella corrado ciccolella francesco clò alberto falck federico ferrari attilio piero ferrero pietro fontana giuseppe franceschi giorgio galbusera mario gambirasi danilo giannelli gianvito gorno tempini giovanni janjori karl lucchini italo marangoni mario marcegaglia emma mazzoleni sebastaino melazzini piero melzi di cusano nicolò minoli luca massimo fabio montini gianbattista bosco nanot yves renè negri miles emilio palazzani giampietro perolari giorgio pesenti giampiero piccinini marco regoli duccio rossi ettore rota attilio secchi carlo sozzani renato stefana mauro stoppani lino enrico strazzera livio vanossi bruno venosta francesco vinci francesco saverio zaleski romain camille zanetti emilio Community # 26 number of nodes = 53 andreani giuliano anghileri ezio bardazzi gianni berlusconi luigi berlusconi marina elvira berlusconi piersilvio bosatelli domenico bosatelli fabio livio bosatelli luca cannatelli pasquale colaiacovo giuseppe 0% 6% 0% 5% 0% 0% 1% 0% 5% 5% autorità 2% 0% 0% 0% 5% 5% 0% 1% 5% 0% 2% 0% 0% 0% 1% 4% 5% 2% 3% 0% 5% 2% 0% 0% 2% 2% 0% 1% 2% 3% 5% 0% 0% 2% 5% 0% 0% 1% 2% 0% 2% 2% 1% 5% 0% 5% 0% 5% 5% 0% 0% 2% autorità 4% 0% 0% 3% 4% 4% 0% 0% 0% 5% 0% vi Appendice B colombo paolo andrea colombo paolo andrea pio confalonieri fedele costa maurizio crippa mauro di amato fabrizio doris ennio doris massimo ermolli bruno fausti luigi fiorini stefano folio lorenzo forneron mondadori martina giordani marco angelo guzzini adolfo lombardi edoardo malagò giovanni marchioni paolo marella francesco messina alfredo molteni mario morrone massimiliano nieri gina pellegrino danilo pezzella nicodemo poli roberto reboa marco renoldi angelo resca mario ruozi roberto sala giovanni scibetta pierluigi sciumè paolo sebastiani massimo signori saverio spadacini marco terzi giovanna ventura attilio veronesi umberto vibi angelo vismara carlo maria zunino antonio Community # 27 number of nodes = 57 alfieri romano ballio giulio bellei franco bertoni luciano bischoff manfred bocchini enrico calandra buonaura vincenzo codogno lorenzo conti fulvio corradi enrico corradi guido costi renzo cucchiani enrico tommaso fantozzi augusto ferrari giorgio fontanesi donato fontanesi anacleto giacomin francesco gnudi piero gnutti giorgio gutty gianfranco kadrnoska friedrich kley max dietrich li calzi marianna libonati berardino ligresti salvatore luciano alessandro maramotti luigi marocco antonio maria medici ugo milla alberto moscato guglielmo mosconi franco 4% 0% 4% 1% 4% 0% 2% 3% 5% 4% 0% 0% 2% 4% 0% 3% 0% 0% 0% 4% 3% 0% 4% 3% 0% 1% 0% 3% 2% 2% 0% 0% 3% 0% 0% 2% 0% 3% 2% 0% 2% 3% autorità 1% 0% 4% 0% 4% 0% 4% 0% 0% 1% 1% 0% 3% 0% 1% 1% 4% 4% 3% 0% 4% 4% 4% 4% 2% 2% 0% 4% 3% 1% 1% 0% 0% napolitano fernando palenzona fabrizio pesenti carlo pinza riccardo profumo alessandro stefano m raimondi claudio rampinelli rota angelo rampl dieter renda benedetto giovanni maria schinzler hans jurgen tadolini giovanni tamborini filippo terrachini franco tosi gianfranco trevisani cesare trevisani davide trevisani gianluigi trevisani stefano usberti davide viani giovanni von bomhard nikolaus wyand anthony zanon di valgiurata lucio igino zwickl franz Community # 28 number of nodes = 63 albanese ernesto baesatto paolo bocchino umberto bonomelli omar broggini andrea burnengo maurizio carlo mauro carlino stefano cerutti mariella ciani carlo ciotti beniamino comoli maurizio corsi francesco corsini claudio de ambrosis ortigara luca de marchi barbara de santis giuseppe dezzani flavio dietiker ulrich d'urso carlo erbetta emanuele fallica nicola frey mariano giombini gualtiero giussani alberto la russa antonino junior geronimo la russa vincenzo lamanna lisa lazzaroni giuseppe ligresti gioacchino paolo ligresti giulia maria ligresti jonella lo vecchio consolazione lucia lia marchionni fausto marocco manilo mei enzo morbidelli giuseppe nardi luigi oldoini giorgio panzani alfonso panzani loredana parisi stefano pellati giancarlo perrone da zara emilio pini massimo pisanu luigi pistolesi oscar antonio giuseppe randazzo francesco ritz danile jurg rubino salvatore 0% 4% 2% 0% 4% 0% 0% 4% 1% 4% 1% 0% 1% 0% 0% 0% 0% 0% 0% 1% 4% 4% 1% 4% autorità 2% 2% 2% 2% 2% 2% 2% 2% 1% 1% 2% 2% 0% 2% 2% 1% 2% 0% 2% 2% 2% 2% 1% 0% 1% 3% 0% 1% 3% 2% 2% 3% 4% 0% 2% 2% 2% 2% 0% 0% 0% 0% 2% 4% 2% 1% 2% 0% 2% rucellai cosimo sartor andrea scaglia silvio schappi ers schloter carsten spinello salvatore staub peter hermann tabacci simone talarico alessandra talarico antonio toselli ezio valerio stefano viglianisi sergio zannoni oscar Community # 29 number of nodes = 63 albertini claudio antoni jean dominique artom adele artom guido betti sergio bini mauro canosani aristide caporioni leonardo carannante rocco carbonari filippo maria carpanelli fabio celli pierluigi coffari gilberto collina piero cordazzo bruno costalli sergio devoto gianluigi domenichini giovannina eichholzer alberto forchino antonella forest jacques franzoni massimo frascinelli roberto gabbi paolo galanti vanes gentili francesco gilli giorgio gillone fabrizio landi stefano lazzeri piero levorato claudio luzzati luigi malavasi ivan manzoni armando marina alessandro masotti massimo mazzola mario rosario migliavacca anrico morara pier luigi nasi sergio parena renato pedroni carlo alberto pedroni marco pellegrini fernando politi giuseppe pons louis marie pozzoli riccardo pozzoli stefano repetto claudio restano ermanno romano paolo sabadini riccardo salvatori carlo santi sergio sava francesco stefanini pierluigi tazzetti alberto turinetto germano vella francesco venturi marco giuseppe zaccherini luca 3% 2% 0% 0% 0% 2% 0% 2% 2% 3% 2% 1% 2% 2% autorità 0% 4% 0% 0% 4% 0% 0% 0% 4% 0% 0% 4% 3% 3% 4% 3% 0% 0% 0% 0% 4% 0% 0% 0% 4% 0% 0% 4% 0% 0% 4% 0% 4% 0% 0% 4% 0% 4% 4% 4% 0% 0% 4% 0% 4% 0% 0% 0% 0% 0% 0% 0% 4% 0% 0% 3% 0% 0% 4% 4% 4% vii Appendice B zamboni roberto zucchelli mario Community # 30 number of nodes = 65 accetturo michele allodi andrea benassi marco borghi fabio braccialini riccardo brusa gabriele burani andrea burani walter campaini turiddu campo dall'orto antonio ciavarella domenico cocchieri lucia cungi massimo cuppini lucio de marchi andrea di dario dante elefanti marco errore rodolfo eugeniani ilaria facchini luciano farina giovanni andrea fois candido ghidoni stefano giglio bruno gili alessandro gorgoni lorenzo gullo giuseppe ladurner lukas massai mario menozzi roberto micheli francesco monarca daniele mussari giuseppe negri clementi gianfranco ovi alessandro paoloni mauro parrello giuseppe angelo patuano marco pilotto roberto pisaneschi andrea pittoni federico pizzigati mauro querci carlo rabizzi ernesto righi enea ristuccia sergio rocchi ettore rossi piervittorio roversi fabio alberto sabbatucci giovanni schianchi augusto setti stefano signorini umberto sorgi emilio stella giovanni tagliavini giuliano torregiani augusto tranchida achille valenti cesare ventucci adriano vezzani paola viero andrea zannotti ulderico zanone poma mario zoboli giuseppe Community # 31 number of nodes = 66 barazzoli cinzio bargauan michele beolchini tommaso beretta zanoni andrea bombelli carlo bongiorni mario 0% 4% autorità 0% 5% 0% 1% 0% 1% 0% 0% 1% 3% 0% 1% 0% 1% 1% 0% 5% 0% 1% 1% 1% 3% 1% 4% 0% 3% 0% 0% 0% 5% 5% 0% 1% 3% 4% 1% 1% 3% 0% 1% 0% 1% 1% 1% 1% 3% 5% 0% 2% 3% 5% 0% 0% 0% 2% 4% 1% 0% 1% 0% 5% 4% 0% 2% 0% autorità 7% 0% 0% 0% 0% 0% bonilauri torquato buizza dante daniele burani giovanni valter busacca bruno giuseppe callera gilberto capolino perlingeri ugo cimino simone cipolletta innocenzo cogorno claudio conti renato cordero di montezemolo matteo de potesta jean louis de vecchi guido arturo de vita fedele enderlin davide domenico ferrero vittorio garavoglia luca gatti giuseppe angelo gennarini alberto greco mario grignani guido iori alessandro iuculano antonino iuculano carlo lazzaro vittorino malim hugh charles blagden marena francesco merloni andrea merloni antonella merloni maria paola merloni vittorio milani marco moiso mario paolo monarca daniele federico monferino paolo moratti angelo gino moratti angelomario moratti gianmarco moratti massimo moschini franco mosconi giuliano mussini andrea mussini emilio mussini giovanna mussini giuliano mussini giuseppe mussini marco mussini paolo negri luca onofri paolo pagliai renzo pini giuliano prampolini paolo previati gabriele saleri giovanni scaffardi dario sponchioni alessandro terruzzi gianmatteo vacchino paolo venerosi pesciolini ranieri Community # 32 number of nodes = 77 acutis andrea acutis biscaretti di ruffia adriana acutis carlo agnelli andrea angelici carlo antonelli cristiano baggi sisini francesco barel di sant'albano carlo bartholomew reginald biffi emilio blanc jean claude bottelli paolo massimiliano brandolini d'adda tiberto 7% 0% 2% 0% 0% 7% 3% 0% 7% 0% 0% 0% 0% 7% 0% 0% 0% 0% 0% 0% 7% 0% 7% 7% 7% 0% 0% 0% 0% 0% 0% 0% 0% 7% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 7% 0% 7% 0% 0% 0% 0% 0% 7% 0% autorità 4% 5% 3% 0% 0% 0% 4% 0% 1% 1% 0% 1% 3% brignone marco bruni franco bruno giorgio luca brush david michael camerana oddone campiglio luigi pierfranco carron renè cobolli gigli giovanni costa giorgio roberto crist william dale croce carlo emilio de conto claudio de puolipiquet de brescanvel olivier yves elkann john philip ferrero ventimiglia edoardo ferrero ventimiglia luca flemming klaus franzan jacopo gabetti gianluigi grande stevens franzo greco nicoletta guarena roberto haggiag robert hellouin de menibus arnaud marchionne sergio marek josef karl marini clarelli francesco marrone virgilio marsani pietro carlo marsiaj giorgio mazzia aldo federico mincato vittorio montali gianpaolo montanaro riccardo muller gotthard edgard nasi andrea notari mario passerin d'entreves lodovico paveri fontana luca pontremoli roberto giovanni predovic dolly puri negri carlo alessandro rattazzi lupo recchi claudio recchi giuseppe ricci robert saà marzio sacerdoti giorgio salvati sandro sanguinetti arturo saracco claudio schollkopf thomas herbert spadafora giuseppe tata ratan naval teodorani fabbri pio trevisan dario tronchetti provera giuseppe tronchetti provera luigi tronchetti provera marco tronchetti provera raffaele bruno ufer hans venesio camillo weinschrod wolfgang zibetti mario Community # 33 number of nodes = 81 alberti piergiorgio artioli ettore assumma bruno auci ernesto barozzi angelo berna tito bertola fabrizio boltho von hohenbach andrea bonferroni franco 5% 0% 1% 1% 0% 0% 0% 0% 5% 1% 1% 0% 1% 0% 0% 0% 0% 1% 1% 0% 1% 5% 1% 5% 0% 0% 0% 0% 5% 5% 0% 0% 0% 0% 5% 0% 1% 5% 5% 0% 1% 1% 0% 0% 0% 5% 0% 0% 0% 1% 0% 0% 5% 0% 0% 1% 1% 1% 1% 1% 0% 0% 1% 0% autorità 0% 0% 1% 0% 1% 0% 0% 0% 0% viii Appendice B boni fausto briamonte michele brunello amedeo calì giuseppe canova michelangelo capuano ignazio casalini andrea castellaneta giovanni cattani alessandro ciardullo riccardo colavolpe roberto rosario colleoni gastone creti eugenio crosti alessandro de tilla maurizio del rio mauro di pasquale antonio dubè christian feig simone fernandez atela felipe ferrero daniele fiorentino valerio fortunato mario fracassi alessandro galli dario garlato guglielmo garribba sergio gatti anna gatto carlo gesess paolo gotti tedeschi ettore greco richard guarguaglini pier francesco lamaire bernard lamaire laurent leo mirko lettieri giovanni lia riccardo lorenzon elisa marino antonio massera giovanni miglietta angelo monti francesco nati alessio nicastro vincenzo nikravan nevid parlato francesco peretti carlo perna tonino pescarmona marco piovesana paola pitout wayne princivalli mauro puccio anna restelli matteo ricchebuono giorgio rossini emanuele rossini stefano rota maurizio siano dante squillace nicola stefanel giovanna stefanel giuseppe stefanelli paolo tasca roberto vagnone paolo van den heuvel holger vantellini paolo varaldo riccardo venturoni guido visentin graziano zampetti marco bernardo Community # 34 number of nodes = 85 abravanel roger benedetto marco benetton alessandro 2% 1% 0% 0% 0% 0% 6% 0% 0% 0% 0% 0% 0% 0% 0% 8% 1% 0% 1% 8% 2% 0% 0% 2% 0% 0% 0% 8% 0% 2% 0% 0% 0% 0% 0% 0% 0% 8% 0% 0% 8% 0% 0% 0% 0% 8% 0% 0% 1% 2% 0% 8% 0% 6% 0% 8% 0% 2% 0% 0% 0% 0% 0% 0% 0% 1% 8% 0% 0% 0% 0% 2% autorità 2% 0% 0% benetton carlo benetton gilberto benetton giuliana benetton luciano bianchi tancredi bondi enrico bongiovanni francesco marco bordignon claudio borsari carlo bosio emanuele botti renato brega oliviero maria brugiavini agar brugnoli giampaolo bruna segre franca brunetti giorgio bulgari nicola bulgari paolo bulgheroni antonio caccia dominioni ambrogio camuffo arnaldo caracciolo carlo carraro enrico carraro francesco carraro mario carraro tomaso cattaneo mario cavatorta enrico cerri pietro angelo chemello roberto cortellazzo antonio cortese riccardo costamagna claudio cremona massimo d'aguì pietro de benedetti carlo de benedetti marco edoardo diego de benedetti rodolfo de boeck karel august maria de nicola alessandro alfonso angelo debenedetti franco del bue marina del vecchio claudio dini francesco erede sergio ferrero pierluigi figarolo di gropello giulio francavilla luigi frank massimiliano germano giovanni giavazzi francesco giovannone claudio girard franco roberto gomez navarro navarrete javerie grossi sabina guerra andrea malguzzi alfredo mancinelli paolo mingoli elder mion gianni mondardini monica oughourlian joseph paravicini crespi luca piaser alberto picella raffaele ricci renato robotti roberto rocca paolo riccardo rondelli lucio santonocito giuseppe scanferlin mario scoyni fabio segre massimo singer robert steven 0% 0% 0% 0% 2% 1% 4% 4% 0% 1% 4% 1% 0% 1% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 2% 2% 0% 2% 0% 4% 1% 1% 0% 1% 1% 2% 0% 4% 1% 4% 2% 0% 1% 2% 0% 2% 4% 1% 0% 0% 1% 0% 4% 1% 0% 1% 1% 1% 0% 1% 1% 1% 1% 1% 2% 2% 2% 0% 0% 4% 1% 0% sposito claudio superti furga ferdinando tabellini guido tassi maurizio tesone antonio tonin onofrio trapani francesco zanni umberto Community # 35 number of nodes = 88 albertini gianfranco angori silvio pietro aratri illias artusi claudio aureli alfredo benedini benito bernardini mara boglione marco daniele boldrini giosuè borghi renato brandolini filippo bruschi paola cafasso paolo capitta antonio gregorio carli elisabetta caselli ettore castagna luigi cavallini mauro cerchiai fabio chiarini maurizio chiossi giovanni battista cicognani giulio cremonini luigi cremonini vincenzo crespi giovanni dalmasso lucrezio deaglio mario renzo deodato giovanni dolcini piergiuseppe fagioli alessandro falco pier paolo farina franco antonio ferrari paolo ferrari piero fini vittorio giovanelli ferruccio gualtieri paolo landi paolo leoni guido loi francesco lugli franco lusignani giuseppe maggioli lanfranco marani giovanni marconetto adriano marconi angelo marri alberto milone francesco molinari amato luigi mondarini giuseppe montanari fioravante montanari nicodemo mungari vincenzo novarese andrea ovazza daniela pavesio carlo perini michele pininfarina lorenza pininfarina paolo pininfarina sergio pinna giommaria pinna parpaglia giovanni pisano romolo pittatore benito porcari carlo racugno gabriele ravanelli ugo 0% 3% 1% 4% 1% 0% 0% 1% autorità 0% 0% 0% 0% 0% 0% 2% 0% 0% 0% 2% 0% 0% 1% 0% 3% 2% 2% 0% 2% 3% 3% 3% 0% 0% 1% 0% 0% 2% 3% 1% 1% 0% 3% 3% 2% 0% 0% 2% 1% 1% 2% 2% 3% 0% 3% 3% 0% 0% 3% 3% 2% 0% 0% 0% 0% 0% 0% 0% 0% 1% 1% 1% 0% 0% 1% 0% ix Appendice B razzoli giorgio rescigno gerardo riccardi riccardo roboglio romeo rossi deanna sacchetti roberto sangalli carlo sestu paolo sita luciano sitzia francesco spalla franco spallanzani erminio spallanzani ivano sutti francesco tani bruno tantazzi angelo tommasi di vignano tomaso valli carlo vandelli alessandro viola fabrizio zolea stefano Community # 36 number of nodes = 89 albani castelbarco cesare angeli pierluigi auletta armenise giampiero baldini andrea baraggia luigi battista valerio bedoni paolo berneschi giovanni alberto bertolotto piero bianchi marco bianconi marco maria binda giorgio bisogno giuliano bonnaud jean jacques marceli bonsignore luca boselli mario bottoli marcello buora carlo orazio bernardino caloia angelo camadini giuseppe caputi massimo castellucci giovanni cavanenghi alfredo cera mario cera roberto chaussade jean louis checconi remo angelo clark wesly cominelli claudio de bernardinis domenico del ninno giulio di salvo piero d'onofrio mario fabiani fabiano facchini pier francesco fassone antonio fazzari maurizio ferrarini guido ferro angelo frigeri giorgio gastaldi luigi gavio marcello giacardi gianpiero giarda dino piero gnecchi ruscone stefano grassi roberto ermanno guenzi giancarlo gusmini alfredo gussalli beretta franco huge' jacques pierre iaccarino bruno isnardi pietro lepic hugues bernard charles mangoni andrea 2% 0% 1% 0% 3% 2% 0% 1% 2% 1% 0% 3% 3% 2% 2% 3% 1% 0% 0% 2% 2% autorità 6% 0% 0% 6% 0% 0% 0% 6% 0% 0% 0% 6% 0% 6% 6% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 6% 0% 0% 0% 0% 0% 0% 0% 0% 0% 6% 0% 0% 0% 6% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 6% 0% 0% maresca maurizio mattioli francesco paolo mazzucchelli giovan battista menconi ferdinando merindol nicolas nestori bruno odone paolo cesare ogrinz michael oliveri renata paintendre jean marie piaggio giuseppe pizzini flavio poli aldo polotti franco ponzellini massimo ratti donatella rho ermanno riello pilade romeo fabio roppo vincenzo rubegni alberto ruggiero piergiorgio scajola alessandro seccamani mazzoli giovanni maria severgnini oreste sorato samuele spaventa luigi stark udo gunter werner sugranyes bickel doming taranto francesco tessitore antonio torchia luisa turconi luigi zannoni paolo zonin giovanni Community # 37 number of nodes = 109 annoni giovanni annoni marco anolli mario arnaud frederic azzolin luigino barbaro francesco bartoli alberto bauer wolfgang rudi beretta maurizio bettinzoli angelo bongiovanni giuseppe bonissoni claudio bracco diana bragantini salvatore branca vito brenda giovanni bresesti fabio bruscagli stefano burlando paolo buzzi alessandro buzzi enrico buzzi franco buzzi michele buzzi pietro cairo roberto cairo urbano roberto calabi claudio camagni luciano carella carmine cerutti giancarlo cogliati gabriele colombo michele continella giovanni cossu leonardo cotelli mario de bartolomeo nicola de censi giovanni de lorenzo giuseppe de molli valerio 0% 0% 0% 6% 6% 0% 6% 0% 6% 6% 0% 0% 0% 0% 0% 0% 0% 0% 0% 6% 0% 0% 6% 0% 0% 0% 0% 0% 0% 4% 0% 0% 0% 0% 0% autorità 0% 0% 1% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 1% 0% 6% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 1% 0% 0% 6% 6% 6% 0% 6% 0% 5% 0% 0% de santis paolo di stefano alvaro dyckerhoff york falciai alessandro favrin antonio feltrinelli carlo ferraro domenico fornara uberto fornero elsa maria franceschetti ennio franceschetti giovanna franceschetti luigi franceschetti maria chiara fumagalli romario aldo fumagalli romario ugo marco gallus romano ghedini raffaele gilardi carlo giovando guido giovanelli roberto gottardi claudio graziadei gianfranco guia alberto federico janni marco lamberti paolo alberto lazzati paolo francesco lorenzon giannino maccaferri gaetano magnocavallo antonio memmola davide memmola fabio memmola serafino monteforte aldo morfino giuseppe morfino paolo moro franco pace daniele palma angelo maria papa franco carlo pasotti flavio pasqua valter pompignoli marco profumo francesco quadrio maurizio ratti michele rezzonico roberto ribolla alberto rocca gianfelice rosa adriano rossetti giuseppe rossetti mario rubin gianni russo daniele sala alfredo saleri ettore saleri gianbattista saleri giuseppe salomoni marco savini luisa sciumè alberto sella maurizio tabacchi massimiliano tabacchi vittorio tacconi luca vago marino augusto valassi vico vecchio cesare giovanni villa roberto weigmann marco zuccoli giuliano Community # 38 number of nodes = 122 agrusti raffaele alierta izuel cesareo badalotti enzo balbinot sergio baldi stefano 6% 0% 0% 0% 0% 1% 0% 0% 0% 0% 0% 0% 0% 5% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 1% 0% 0% 1% 0% 0% 0% 0% 0% 0% 6% 0% 5% 0% 0% 6% 0% 0% 6% 1% 0% 6% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 1% 0% 0% 0% 0% 0% 6% 0% 0% 0% 3% autorità 0% 0% 0% 0% 7% x Appendice B baratta paolo baretta paolo ben ammar tarak benedetti aureliano benetton mauro bergami massimo berger roland bernabè franco bernheim antoine bertazzoni roberto bianchi luigi arturo boroli pietro botin ana braga illa alvise buoro giuseppe caltagirone francesco gaetano campanini bonomi carlo canale giulio catania elio cosimo cattaneo franco giuseppe cenciarini renzo alceste ceretti paolo chieppa gian piero chirico giuseppe christillin evelina colombo paolo enrico colucci pietro consonni roberto conti giovanni maria de maio adriano del torchio gabriele del vecchio leonardo delbecchi massimo della porta giuseppe della porta massimo della porta paolo dessy alberto dewew jr robert di carlo massimo dogliotti andrea drago marco drago roberto esteve olivier fantoni giorgio fiorentino marco fitoussi jean paul frecchiami andrea galatieri di genola e suniglia gabriele gandini piero garrino gian luigi gilardoni andrea giovannini marco guida marco edoardo hanley jeremy hennekinne loic kellner petr kullmann christophe laghi enrico linares lopez julio esteban lucciola isidoro maestroni roberto marazzi giacomo marchetti piergaetano matarazzo paolo mazzocco aldo mazzola pietro mc cann james fracis merloni paolo miccichè gaetano minucci aldo miscali mario moltrasio andrea muller klaus peter nagel alberto ottolenghi emilio pagliaro renato 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 7% 0% 0% 1% 0% 0% 1% 7% 0% 1% 0% 0% 3% 0% 0% 0% 7% 7% 7% 0% 0% 0% 7% 0% 0% 0% 0% 1% 0% 0% 0% paoli giampiero passera corrado pater jaymin pedersoli alessandro pellicioli lorenzo perissinotto giovanni perricone antonio pirovano tullio pizzimbone giovanni battista pohl reinfried ponzanelli giulio razzano dante reale luigi ricke kai uwe ripa di meana vittorio rocchietti giancarlo rognoni virginio rolando giuseppe romiti cesare rossi orazio ruggieri charles ruys anthony sala marcello sala marco salvemini severino salza enrico santosusso daniele umerto scaroni paolo seragnoli giorgio sironi andrea sironi francesco spinola gianluca tendil claude tondato da ruos gianmario trotter alessandro turner william bruce ugo renato vinci saverio francesco weiss fritz ulrich zingales luigi zucca fabrizio 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% 7% 0% 0% 0% 0% 0% 0% 0% 0% 1% 0% 0% 7% 0% 7% 0% 0% 0% 0% 5% 0% 0% 0% 0% 0% 0% 5% 0% 0% 0% 0% 0% 0% 0% 0% 1% 0% 0% 0% 0% 0% 7% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0% xi Appendice C Appendice C - Ownership network C.1, elenco delle società riferite ai nodi del grafo in Figura 4.2. 1 A2A 47 CONAFI PRESTITO' 95 2 ACEGAS 48 CREDITO ARTIGIANO 96 MEDITERRANEA DELLE ACQUE 3 ACOTEL GROUP 49 CREDITO BERGAMASCO 97 MELIORBANCA 4 ACQUE POTABILI 50 CREDITO EMILIANO 98 MID INDUSTRY CAPITAL 5 ACSM 51 DADA 99 MILANO ASSICURAZIONI 6 AEDES 52 DATA SERVICE 100 MITTEL 7 AEFFE 53 DATALOGIC 101 MONDO HOME ENTERTAINMENT 8 AEROPORTO DI FIRENZE 54 DEA CAPITAL 102 MONDO TV 9 ALERION INDUSTRIES 55 DMAIL GROUP 103 MONRIF 10 ALLEANZA ASSICURAZIONI 56 EDISON 104 MONTI ASCENSORI 11 ANIMA SGR 57 ENEL 105 NICE 12 ANSALDO STS 58 ENERVIT 106 NOEMA LIFE 13 ANTICHI PELLETTIERI 59 ENI 107 NOVA RE 14 ARKIMEDICA 60 ERG 108 PARMALAT 15 AS ROMA 61 ERG RENEW 109 PIAGGIO & C 16 ASSICURAZIONI GENERALI 62 ERGYCAPITAL 110 PIERREL 17 ATLANTIA 63 EUROTECH 111 PIQUADRO 18 AUTOGRILL 64 FIAT 112 PIRELLI & C 19 AUTOSTRADA TORINO MILANO 65 FIERA MILANO 113 PIRELLI & C REAL ESATE 20 AZIMUT HOLDING 66 FINMECCANICA 114 POLIGRAFICI EDITORIALE 21 BANCA CARIGE SPA 67 FNM 115 PREMAFIN FINANZIARIA 22 BANCA GENERALI 68 FONDIARIA-SAI 116 RATTI 23 BANCA IFIS 69 GABETTI PROPERTY SOLUTIONS 117 RCS MEDIAGROUP 24 BANCA INTERMOBILIARE DI INVESTIMENTI E GESTIONI 70 GEMINA 118 RISANAMENTO 71 GRUPPO CERAMICHE RICCHETTI 119 SADI SERVIZI INDUSTRIALI 25 26 27 28 29 BANCA ITALEASE BANCA MONTE DEI PASCHI DI SIENA BANCA PICCOLO CREDITO VALTELLINESE BANCA POPOLARE DELL'EMILA ROMAGNA BANCA POPOLARE DELL'ETRURIA E DEL LAZIO 30 BANCA POPOLARE DI MILANO 31 BANCA POPOLARE DI SONDRIO 32 BANCA POPOLARE DI SPOLETO 33 BANCO DI DESIO E DELLA BRIANZA MEDIOLANUM 72 GRUPPO EDITORIALE L'ESPRESSO 120 SAIPEM 73 I VIAGGI DEL VENTAGLIO 121 SARAS 74 I.M.A. 122 SAT 75 IFI 123 SIAS 76 IFIL INVESTMENTS 124 SNAM RETE GAS 77 IMMSI 125 SNIA 78 IMPREGILO 126 SOGEFI 79 INTEK 127 SOPAF 80 INTESA SAN PAOLO 128 SORIN 81 INVESTIMENTI & SVILUPPO 129 TAMBURI INVESTMENT PARTNERS 82 INVESTIMENTI E SVILUPPO MEDITERRANEO 130 TELECOM ITALIA 131 TELECOM ITALIA MEDIA 34 BANCO DI SARDEGNA 35 BANCO POPOLARE SOCIETA' COOPERATIVA 83 IPI 36 BOLZONI 84 IRIDE 132 TERNA 37 BONIFICA TERRENI FERRARESI E IMPRESE AGRICOLE 85 ITALCEMENTI 133 TISCALI 38 BOUTY HEALTHCARE 86 ITALMOBILIARE 134 TOSCANA FINANZA 135 UNICREDIT 39 CAIRO COMMUNICATION 87 IW BANK 40 CALEFFI 88 JUVENTUS FOOTBALL CLUB 136 UNILAND 137 UNIONE DI BANCHE ITALIANE 41 CALTAGIRONE 89 KERSELF 42 CAMFIN 90 KME GROUP 138 VIANINI INDUSTRIA 139 VIANINI LAVORI 43 CAPE LIVE 91 LOTTOMATICA 44 CEMENTIR HOLDING 92 M&C 140 VITTORIA ASSICURAZIONI 141 YORKVILLE BHN 45 CIR 93 MARIELLA BURANI FASHION GROUP 46 COFIDE 94 MEDIOBANCA xii C.2, ownership network non orientata: partizione in comunità in output all’algoritmo di Blondel, Guillaume, Lambiotte e Lefebvre [15] e punteggi di autorità per il caso con pesi normalizzati. I punteggi intra-comunità sono relativi ai sottografi orientati (con pesi modificati in base alla capitalizzazione delle società in colonna) definiti da ciascuna comunità individuata dalla partizione, e sono stati calcolati secondo l’eigenvector centrality generalizzata per i grafi orientati, descritta nel paragrafo 1.2. Modularity 0.82073 - # of Communities 15 Community #1 number of nodes = 2 42 DADA 91 RCS MEDIAGROUP Community #2 number of nodes = 2 9 ANTICHI PELLETTIERI 70 MARIELLA BURANI FASHION GROUP Community #3 number of nodes = 3 15 AUTOSTRADA TORINO MILANO FNM 49 SIAS 96 Community #4 number of nodes = 3 50 FONDIARIA-SAI 77 MILANO ASSICURAZIONI 89 PREMAFIN FINANZIARIA Community #5 number of nodes = 3 47 ERGYCAPITAL 57 INTEK 68 KME GROUP Community #6 number of nodes = 4 37 CIR 38 COFIDE 54 GRUPPO EDITORIALE L'ESPRESSO 98 SOGEFI Community #7 number of nodes = 4 35 CAMFIN 86 PIRELLI & C REAL ESATE 87 PIRELLI & C 107 VITTORIA ASSICURAZIONI Community #8 number of nodes = 5 8 ANIMA SGR 25 BANCA POPOLARE DI MILANO 28 BANCO DI DESIO E DELLA BRIANZA 48 FIERA MILANO 65 I VIAGGI DEL VENTAGLIO Community #9 number of nodes = 6 20 BANCA INTERMOBILIARE DI INVESTIMENTI E GESTIONI 61 IPI 71 M& C 76 MID INDUSTRY CAPITAL 92 RISANAMENTO 102 TISCALI Centralità b 100% 0% Centralità b 100% 0% Centralità b 0% 0% 100% Centralità b 1% 91% 7% Centralità b 22% 0% 78% Centralità b 100% 0% 0% 0% Centralità b 0% 0% 100% 0% Centralità b 93% 0% 0% 2% 93% Centralità b 0% Centralità i 0% 100% Centralità i 0% 100% Centralità i 100% 0% 0% Centralità i 94% 6% 0% Centralità i 0% 99% 1% Centralità i 0% 100% 0% 0% Centralità i 100% 0% 0% 0% Centralità i 0% 59% 41% 0% 0% Centralità i 0% 0% 0% 0% 0% 100% 0% 100% 0% 0% 0% Community #10 number of nodes = 8 10 ARKIMEDICA 33 BOUTY HEALTHCARE 36 CAPE LIVE 41 CREDITO EMILIANO IW BANK 66 93 SADI SERVIZI INDUSTRIALI 99 SOPAF UNIONE DI BANCHE ITALIANE 106 Community #11 number of nodes = 10 34 CALEFFI 43 DATALOGIC 46 ENERVIT INVESTIMENTI E SVILUPPO 59 MEDITERRANEO 60 INVESTIMENTI & SVILUPPO 79 MONRIF 80 MONTI ASCENSORI 82 NOEMA LIFE 88 POLIGRAFICI EDITORIALE 101 TAMBURI INVESTMENT PARTNERS Community #12 number of nodes = 12 16 AZIMUT HOLDING 21 BANCA ITALEASE 23 BANCA POPOLARE DELL'EMILA ROMAGNA 26 BANCA POPOLARE DI SONDRIO 29 BANCO DI SARDEGNA 30 BANCO POPOLARE 39 CONAFI PRESTITO' 40 CREDITO BERGAMASCO 53 GRUPPO CERAMICHE RICCHETTI 75 MELIORBANCA 108 YORKVILLE BHN Community #13 number of nodes = 12 1 ACEGAS 2 ACOTEL GROUP 3 ACQUE POTABILI 19 BANCA IFIS 24 BANCA POPOLARE DELL'ETRURIA E DEL LAZIO 31 BOLZONI 44 DATA SERVICE 55 I.M.A. 58 INTESA SAN PAOLO 62 IRIDE 83 PARMALAT 84 PIERREL Centralità b 4% 13% 2% 0% 80% 0% 0% 0% Centralità b 0% 0% 0% 0% Centralità i 0% 0% 0% 1% 0% 0% 1% 98% Centralità i 0% 0% 0% 0% 0% 0% 0% 0% 100% 0% Centralità b 4% 36% 0% 0% 100% 0% 0% 0% 0% Centralità i 0% 0% 22% 0% 4% 0% 0% 35% 1% 20% 0% Centralità b 2% 0% 4% 2% 4% 6% 0% 72% 0% 0% 0% 0% 0% Centralità i 0% 0% 0% 0% 0% 1% 2% 0% 0% 38% 46% 1% 0% 0% 0% 100% 0% 0% 0% xiii Community #14 number of nodes = 12 5 AEROPORTO DI FIRENZE 6 ALERION INDUSTRIES 11 AS ROMA 22 BANCA MONTE DEI PASCHI DI SIENA 27 BANCA POPOLARE DI SPOLETO 63 ITALCEMENTI 64 ITALMOBILIARE 67 KERSELF 78 MITTEL 95 SAT 97 SNIA 100 SORIN Community #15 number of nodes = 23 4 AEFFE 7 ALLEANZA ASSICURAZIONI 12 ASSICURAZIONI GENERALI 13 ATLANTIA Centralità b 0% 0% 0% 0% 0% 92% 0% 0% 8% 0% 0% 0% Centralità b 0% 60% 3% 3% Centralità i 0% 0% 0% 0% 0% 0% 100% 0% 0% 0% 0% 0% Centralità i 0% 1% 91% 0% 14 17 18 32 45 51 52 56 69 72 73 74 81 85 90 94 103 104 105 AUTOGRILL BANCA CARIGE SPA BANCA GENERALI BONIFICA TERRENI FERRARESI E IMPRESE AGRICOLE DEA CAPITAL GABETTI PROPERTY SOLUTIONS GEMINA IMPREGILO LOTTOMATICA MEDIOBANCA MEDIOLANUM MEDITERRANEA DELLE ACQUE NICE PIQUADRO RATTI SARAS TOSCANA FINANZA UNICREDIT UNILAND 1% 5% 9% 0% 0% 0% 0% 1% 0% 1% 8% 2% 1% 0% 0% 0% 0% 0% 0% 7% 0% 0% 0% 0% 0% 0% 0% 0% 7% 0% 0% 0% 0% 0% 0% 0% 1% 0% xiv