BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Kacprzak Dariusz (Politechnika Białostocka)
Title
Zastosowanie skierowanych liczb rozmytych w modelu równowagi rynkowej
Application of Ordered Fuzzy Numbers to Modeling of Market Equilibrium
Source
Optimum : studia ekonomiczne, 2017, nr 3(87), s. 107-121, rys., bibliogr. s. 120-121
Keyword
Popyt, Podaż, Równowaga rynkowa, Zbiory rozmyte
Demand, Supply, Market equilibrium, Fuzzy sets
Note
JEL Classification: C02, C20, C65
summ., streszcz.
Badania zostały zrealizowane w ramach pracy nr S/WI/1/2016 i sfinansowane ze środków na naukę MNiSW
Abstract
W pracy rozważono liniowy model równowagi rynkowej, w którym parametry są liczbami rzeczywistymi. W modelu tym zakłada się, że popyt i podaż zależą tylko od ceny, a czynniki pozacenowe są niezmienne. Jednak, by uzyskać bardziej realistyczny model, można uwzględnić wpływ czynników pozacenowych na popyt i podaż. W ten sposób otrzyma się model z rozmytymi parametrami, które mogą być reprezentowane za pomocą skierowanych liczb rozmytych. Aby wyznaczyć rozmytą równowagę rynkową tego modelu, należy rozwiązać rozmyty, liniowy układ równań. (abstrakt oryginalny)

The paper considers a linear model of market equilibrium in which real numbers are taken as parameters. In the model, it is assumed that demand and supply depend only on price, while other (non-price related) determinants do not change. However, to get a more realistic model, the author takes into account the impact of other (non-price related) determinants on demand and supply. In this way, a model with fuzzy parameters is obtained, which can be represented by means of ordered fuzzy numbers. In order to determine the fuzzy market equilibrium of such a model, a fuzzy linear system of equations must be solved. (original abstract)
Accessibility
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
Full text
Show
Bibliography
Show
  1. Chiang A.C., 1994, Podstawy ekonomii matematycznej, Polskie Wydawnictwo Ekonomiczne, Warszawa.
  2. Dubois D., Prade H., 1980, Fuzzy Sets and Systems: Theory and Application, Academic Press, New York.
  3. Gawinecki J., 2000, Matematyka dla ekonomistów, Wydawnictwo Wyższej Szkoły Handlu i Prawa, Warszawa.
  4. Kacprzak D., 2008, Model Leontiewa i skierowane liczby rozmyte, VII Konferencja Naukowo-Praktyczna "Energia w nauce i technice", Wydawnictwo Politechniki Białostockiej, Suwałki.
  5. Kacprzak D., 2010, Skierowane liczby rozmyte w modelowaniu ekonomicznych, "Optimum. Studia Ekonomiczne", nr 3.
  6. Kacprzak D., 2012a, Przychód i koszt całkowity przedsiębiorstwa wyrażony przy użyciu skierowanych liczb rozmytych, "Zarządzanie i Finanse. Journal of Management and Finance", no. 2/1.
  7. Kacprzak D., 2012b, Zastosowanie skierowanych liczb rozmytych do prezentacji cen akcji, "Optimum. Studia Ekonomiczne", nr 6.
  8. Kacprzak D., 2014, Prezentacja cen dóbr konsumpcyjnych oraz dynamiki ich zmian za pomocą skierowanych liczb rozmytych, "Optimum. Studia Ekonomiczne", nr 1.
  9. Kacprzak D., 2017, Objective Weights Based on Ordered Fuzzy Numbers for Fuzzy Multiple Criteria Decision Making Methods, "Entropy", 19(7), 373.
  10. Kacprzak D., 2017, The Input-Output Model Based on Ordered Fuzzy Numbers, [in:] Theory and Applications of Ordered Fuzzy Numbers: A  Tribute to Professor Witold Kosiński, P. Prokopowicz, J. Czerniak, D. Mikołajewski, Ł. Apiecionek, D. Ślęzak (eds.), "Studies in Fuzziness and Soft Computing", vol. 356, Springer.
  11. Kacprzak D., Kosiński W., 2014, Optimizing firm inventory costs as a fuzzy problem, "Studies in Logic, Grammar and Rhetoric", nr 37.
  12. Kacprzak D., Kosiński W., Kosiński W. K., 2013, Financial stock data and ordered fuzzy numbers, Artificial Intelligence and Soft Computing: 12th International Conference, ICAISC'2013, Berlin.
  13. Kosiński W., Prokopowicz P., 2004, Algebra liczb rozmytych, "Matematyka Stosowana", nr 5 (46).
  14. Kosiński W., Prokopowicz P., Kacprzak D., 2009, Fuzziness - representation of dynamic changes by ordered fuzzy numbers, Studies in Fuzziness and Soft Computing, 243, Springer Verlag, Berlin.
  15. Kosiński W., Prokopowicz P., Ślęzak D., 2002, Drawback of fuzzy arthmetics - new instutions and propositions, [in:] Methods of Aritificial Intelligence, T. Burczyński, W. Cholewa, W. Moczulski (eds.), Gliwice.
  16. Kosiński W., Prokopowicz P., Ślęzak D., 2003, Ordered Fuzzy Numbers, "Bulletin of the Polish Academy of Sciences Mathematic", 52(3).
  17. Marszałek A., Burczyński T., 2013, Financial fuzzy time series models based on ordered fuzzy numbers, [in:] Time Series Analysis. Modelling and Applications, W. Pedrycz, S. M. Chen (eds.), ISRL 47, Springer, Berlin, Heidelberg.
  18. Milewski R., Kwiatkowski E., 2005, Podstawy ekonomii, Wydawnictwo Naukowe PWN, Warszawa.
  19. Prokopowicz P., Pedrycz W., 2015, The Directed Compatibility Between Ordered Fuzzy Numbers - A Base Tool for a Direction Sensitive Fuzzy Information Processing, "Artificial Intelligence and Soft Computing", vol. 9119.
  20. Roszkowska E., Kacprzak D., 2016, The fuzzy SAW and fuzzy TOPSIS procedures based on ordered fuzzy numbers, "Information Sciences", vol. 369.
  21. Rudnik K., Kacprzak D., 2017, Fuzzy TOPSIS method with ordered fuzzy numbers for flow control in a manufacturing system, "Applied Soft Computing", vol. 52.
  22. Sloman J., 2001, Podstawy ekonomii, Polskie Wydawnictwo Ekonomiczne, Warszawa.
  23. Sobol I., Kacprzak D., Kosiński W., 2015, Optimizing of a company's costs under fuzzy data and optimal orders under dynamic conditions, "Optimum. Studia Ekonomiczne", nr 5.
  24. Zadeh L.A., 1965, Fuzzy Sets, "Information and Control", no. 8.
Cited by
Show
ISSN
1506-7637
Language
pol
URI / DOI
http://dx.doi.org/10.15290/ose.2017.03.87.08
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu