AI产业兼具数字经济的“零边际成本”特征和实体工业的“高固定成本”特征，传统的单一指标往往难以捕捉其全貌。近年来，国内外学界和监管机构发展出了一套涵盖市场结构、空间集聚、创新分布及技术能力的综合指标体系。

赫芬达尔-赫希曼指数（Herfindahl-Hirschman Index, HHI）是反垄断经济学中最权威的市场集中度量化指标，广泛应用于美国司法部（DOJ）、联邦贸易委员会（FTC）及欧盟委员会的并购审查中 1。

HHI的计算公式为特定市场内所有参与企业的市场份额（百分比形式）的平方和：

其中， 代表第 家企业的市场份额， 为企业总数。HHI的取值范围从接近0（完全竞争）到10,000（纯粹垄断）。

相较于简单的份额加总，HHI的核心优势在于其对市场结构不对称性的敏感度。通过对份额进行平方处理，HHI赋予了较大市场份额的企业更高的权重。例如，在一个由一家占据80%份额的巨头和四家各占5%份额的小企业组成的市场中，HHI将高达 ，极其敏锐地反映出该市场的垄断性质。

根据美国司法部和FTC的《并购指南》，HHI指数的划分标准如下：

在AI产业的实际应用中，如果一项并购交易导致高集中度市场的HHI增加超过100点，或者中等集中度市场的HHI增加超过200点，通常会触发反垄断机构的严格审查。例如，在评估AI芯片领域的并购案（如Nvidia收购Arm失败案）时，HHI不仅是静态的红线，更是预测未来市场定价权的关键依据。

在AI领域应用HHI面临着“市场界定”的难题。对于提供免费API或消费者聊天机器人的企业（如OpenAI的ChatGPT免费版），传统的基于营收（Revenue）的市场份额计算可能失效。此时，研究者倾向于使用“计算能力份额”（Compute Capacity Share）或“用户注意力时长”作为替代变量来计算HHI，以更真实地反映平台权力。

行业集中度（Concentration Ratio, CRn）是衡量市场势力的另一基础指标，通常指行业内规模最大的前 家企业的市场份额之和。

最常用的是CR4（前四家）和CR8（前八家）。根据贝恩（Bain）的市场结构分类法：

中国信通院及相关学术文献常利用CR4来快速扫描AI细分赛道的竞争格局 8。例如，在AI服务器市场，由于Nvidia、AMD和Intel占据了绝大多数份额，CR3数值极高，直观地揭示了上游硬件的寡头垄断特征。相比HHI，CRn计算更为简便，且对数据完整性的要求较低，只需掌握头部企业数据即可，这在数据透明度较低的非上市公司领域尤为实用 7。

虽然基尼系数（Gini Coefficient）传统上用于衡量收入不平等，但在AI产业研究中，它被创造性地用于度量创新资源（专利、论文）和人才储备的分布不均衡性 10。

通过绘制洛伦兹曲线（Lorenz Curve），横轴表示累积的企业数量百分比，纵轴表示累积的AI专利数量或AI人才数量百分比，可以直观地观察资源是否向少数头部企业集中。

值得注意的是，在AI技术本身的算法构建（如决策树、随机森林）中，也存在“基尼指数”这一概念，用于衡量数据集的纯度（Impurity）。虽然名称相同，但其数学含义（）与经济学中的基尼系数完全不同。在阅读技术文献时需严格区分：前者用于反垄断分析，后者用于模型优化 14。

在中国及区域经济学研究中，AI产业的“地理集中度”是一个核心议题。政策制定者高度关注AI产业在特定城市（如北京、上海、深圳）的集聚效应 9。

其中， 是 地区 产业（AI产业）的产值或就业人数， 是 地区的总产值， 是全国AI产业总产值， 是全国总产值。

文献指出，AI产业的空间集聚能显著提升区域的“经济复杂度”（Economic Complexity），通过知识溢出效应促进创新。然而，过度的集聚也可能导致中间品市场的过度竞争和拥挤效应，这在一定程度上解释了为何部分二线城市的AI产业效率反而不高 18。

随着大模型时代的到来，传统的经济学指标已不足以衡量AI的潜在风险和能力。欧盟和美国政府引入了基于物理算力的绝对阈值，这实际上创造了一种新的“技术集中度”界定标准。

浮点运算次数（Floating Point Operations, FLOPS）成为衡量AI模型规模的标准单位。

这些物理阈值的设定，隐含了监管机构对AI产业集中度的官方认定：只有拥有顶级算力基础设施（Hyperscalers）的企业才能触及这些红线。这不仅是监管的边界，也成为了划分“前沿模型”与“长尾模型”的市场分水岭 24。