Managing sustainable integrated logistics systems: using intelligent technologies in conditions of high uncertainty

Abstract

The article analyzes the management of sustainable integrated logistics systems based on the use of intelligent technologies in conditions of high uncertainty.

Problem Statement. The modern management process of logistics systems is provided by artificial intelligence, machine learning, forecasting and optimization systems, which opens up wide opportunities for rapid adoption of management decisions that are as flexible and adaptive as possible to changes in the external environment in conditions of uncertainty. A number of problems arise, such as uncertainty and variability of the external environment; inconsistency of transport, warehouse, information and financial subsystems in the process of unification on a single management plane; lack of multifactoriality and dynamism in existing classical optimization models; inconsistency with environmental standards, optimization of resource potential and social needs of adjacent territories; low rates of restructuring and adjustment to new conditions.

Purpose. The goal of our work is to theoretically substantiate and develop methodological tools for managing sustainable integrated logistics systems through the implementation of intelligent technologies, which will ensure their sustainability, environmental efficiency, and adaptability in conditions of high risk and market uncertainty.
Materials and methods. The disclosure of the goal was carried out on the basis of integrated and adaptive methodological approaches with a set of methods of comparative and structural analysis, scenario and risk analysis methods, synthesis. The information base of the study consisted of statistical reports of international agencies, consulting reviews, reports of logistics operators, global risk data, scientific works of domestic and foreign scientists.
Results. According to the results of the study, it was found that the management of sustainable integrated logistics systems is a modern direction of management that introduces the provisions of sustainable development (ecological, social and economic norms) into traditional logistics efficiency. It was found that cognitive analytics involves the use of artificial intelligence as an element of predictive management to calculate correlations between indirect factors of influence on the logistics system (the influence of climatic conditions, changes in demand). It was proven that the management of sustainable logistics systems based on intelligent technologies reveals a number of shortcomings, including the quality of collected data, vulnerability to cyberattacks, and significant financial costs. It was found that the effectiveness of the implementation of intelligent technologies in the management of sustainable integrated logistics systems should solve the main tasks: increasing the profitability of logistics activities, reducing the environmental burden on the environment, creating operational stability in conditions of uncertainty. It is substantiated that a sustainable integrated logistics system is formed on the basis of “patterns”, which are structural models with a set of principles and norms. The concept of the “Trio of Sustainability” is characterized, which involves the combination of economy, ecology and society.

Conclusions. The key provisions of the transformation from traditional logistics systems to sustainable integrated logistics systems in conditions of high uncertainty are possible based on the use of modern intelligent technologies and intelligent management based on the transparency of the provision of transport services and partnership and constructive relations.

Keywords

concept, pattern, transport, system, cyberattack, logistics, management, uncertainty, efficiency

Анотація

У статті аналізується управління сталими інтегрованими логістичними системами на основі використання інтелектуальних технологій в умовах високої невизначеності.

Проблематика. Сучасний управлінський процес логістичними системами забезпечується штучним інтелектом, машинним навчанням, системами прогнозування та оптимізації, що відкриває широкі можливості для швидкого прийняття управлінських рішень, які максимально гнучкі та адаптивні до змін зовнішнього середовища в умовах невизначеності. З’являється низка проблем таких, як невизначеність та мінливість зовнішнього середовища; неузгодженість транспортних, складських, інформаційних фінансових підсистем в процесі об’єднання на єдиній площинні управління; відсутність багатофакторності та динамічності в існуючих класичних моделях оптимізації; невідповідність екологічним стандартам, оптимізації ресурсного потенціалу та соціальним потребам прилеглих територій; низькі темпи перебудови та налаштування під нові умови.
Мета. Метою нашої роботи є теоретичне обґрунтування та розробка методичного інструментарію для управління сталими інтегрованими логістичними системами шляхом впровадження інтелектуальних технологій, що дозволить забезпечити їхню стійкість, екологічну ефективність та адаптивність в умовах високого рівня ризику та ринкової невизначеності.

Матеріали й методи. Розкриття мети проведено на основі інтегрованого та адаптивного методологічних підходів із сукупністю методів порівняльного та структурного аналізу, методів сценаріїв та аналізу ризиків, синтезу. Інформаційна база дослідження складалася із статистичних звітів міжнародних агентств, оглядів консалтингу, звітів логістичних операторів, даних глобальних ризиків, наукові праці вітчизняних і закордонних вчених.
Результати. За результатами дослідження встановлено, що управління сталими інтегрованими логістичними системами – це сучасний напрям менеджменту, що впроваджує в традиційну логістичну ефективність положення сталого розвитку (екологічні, соціальні та економічні норми). Виявлено, що когнітивна аналітика передбачає використання штучного інтелекту як елементу предиктивного керування для розрахунку кореляційних зв’язків між непрямими факторами впливу на логістичну систему (вплив кліматичних умов, зміна попиту). Доведено, що управління сталими логістичними системами на базі інтелектуальних технологій викриває ряд недоліків, серед яких якість зібраних даних, вразливість до кібератак, значні фінансові витрати. Виявлено, що ефективність впровадження інтелектуальних технологій в управління сталими інтегрованими логістичними системами мають вирішити основні завдання: зростання рентабельності логістичної діяльності, зменшення екологічного навантаження на навколишнє середовище, створення операційної стійкості в умовах невизначеності. Обґрунтовано, що стала інтегрована логістична система формується на основі «патернів», які уявляють собою структурні моделі з сукупністю принципів та норм. Охарактеризовано концепцію «Тріо сталості», що передбачає поєднання економіки, екології та соціуму.

Висновки. Ключовими положеннями трансформації від традиційних логістичних систем до сталих інтегрованих логістичних систем в умовах високої невизначеності можливий на основі використання сучасних інтелектуальних технологій та інтелектуального управління на основі транспарентності надання транспортних послуг та партнерсько-конструктивних відносин.

Ключові слова

концепція, патерн, транспорт, система, кібератака, логістика, управління, невизначеність, ефективність

Back to Table of Contents No 36 (2026)

Harazha O.P. Doctor of Sciences (Economics), Professor, Professor of the Air Transportation Organization Department of Faculty of Transport and Logistics of State Non-Commercial Company «State University «Kyiv Aviation Institute» (Ukraine)

•  ORCID – 0000-0001-9986-6231
• Researcher ID –
• Scopus author id: – 57638991900
• E-Mail: oasissun@ukr.net

Shevchuk D.O. Doctor of Technical Sciences, Professor, Professor of the Air Transportation Organization Department of Faculty of Transport and Logistics of State Non-Commercial Company «State University «Kyiv Aviation Institute» (Ukraine)

• ORCID –  0000-0002-3334-2563
• Researcher ID –
• Scopus author id: – 55635404700
• E-Mail:   dmytro.shevchuk@npp.nau.edu.ua

1. Puška, A., Dragić, R., Prdić, N., Ćosić, Đ., Novaković Božić, N., & Štilić, A. (2025). Digital technologies selection for sustainable urban logistics in last-mile delivery under conditions of uncertainty. Sustainability, 17(22), 10413. https://doi.org/10.3390/su172210413
2. Hryhorak, M., Pichugina, M., & Chuprina, M. (2025). Integration of intelligent transport and logistics systems in the context of sustainable supply chain management. In Lecture Notes in Networks and Systems (Vol. 1335, pp. 258–269). Springer. https://doi.org/10.1007/978-3-031-87376-8_23
3. Lyall, Cresswell (2025).Why smart logistics providers are building integrated systems during trade uncertainty. Supply Chain Strategy Media. Retrieved from https://supplychainstrategy.media/blog/2025/06/16/why-smart-logistics-providers-are-building-integrated-systems-during-trade-uncertainty
4. Ivanov, D., Dolgui, A., & Sokolov, B. (2021). Digital supply chain twins: Managing the ripple effect, resilience, and disruption risks by data-driven simulation. Production Planning & Control, 32(9), 775–788. https://doi.org/10.1080/09537287.2020.1768450
5. Christopher, M., & Holweg, M. (2017). Supply Chain 2.0: Managing supply chains in the era of turbulence. International Journal of Physical Distribution & Logistics Management, 47(1), 2–10. https://doi.org/10.1108/IJPDLM-11-2016-0336
6. Büyüközkan, G., & Göçer, F. (2018). Digital supply chain: Literature review and a proposed framework for future research. Computers in Industry, 97, 157–177. https://doi.org/10.1016/j.compind.2018.02.010
7. Queiroz, M., Ivanov, D., Dolgui, A., & Fosso Wamba, S. (2020). Impacts of epidemic outbreaks on supply chains: Mapping a research agenda amid the COVID-19 pandemic. Transportation Research Part E: Logistics and Transportation Review, 142, 102064. https://doi.org/10.1016/j.tre.2020.102064
8. Sarkis, J. (2020). Supply chain sustainability: Learning from the COVID-19 pandemic. International Journal of Operations & Production Management, 41(1), 63–73. https://doi.org/10.1108/IJOPM-08-2020-0568
9. Wang, Y., Gunasekaran, A., Ngai, E. W. T., & Papadopoulos, T. (2016). Big data analytics in logistics and supply chain management: Certain investigations for research and applications. International Journal of Production Economics, 176, 98–110. https://doi.org/10.1016/j.ijpe.2016.03.014
10. Kamble, S., Gunasekaran, A., & Gawankar, S. (2018). Industry 4.0 and lean manufacturing practices for sustainable organizational performance in Indian manufacturing companies. International Journal of Production Research, 56(8), 2979–2998. https://doi.org/10.1080/00207543.2017.1395488
11. Precedence Research. (2024). Artificial intelligence (AI) in logistics market size to surpass USD 707.75 bn by 2034. https://www.precedenceresearch.com/artificial-intelligence-in-logistics-market
12. McKinsey & Company. (2024). AI-driven supply chain management: Revolutionizing logistics and operational efficiency. https://www.mckinsey.com/capabilities/operations/our-insights/successful-ai-implementation-in-supply-chain-management
13. Boston Consulting Group. (2024). How AI and predictive analytics are transforming supply chain inventory management. https://www.bcg.com/publications/2024/ai-predictive-analytics-transforming-supply-chain-inventory-management
14. DHL Customer Solutions & Innovation. (2024). Artificial intelligence in logistics: A collaborative report on implications and use cases for the logistics industry. DHL. https://www.dhl.com/global-en/home/insights-and-innovation/thought-leadership/trend-reports/artificial-intelligence-in-logistics.html
15. MHI & Deloitte. (2024). The 2024 MHI annual industry report: The trend towards exponential improvement. MHI. https://www.mhi.org/publications/report
16. Statista. (2023). Artificial intelligence (AI) in logistics market size worldwide from 2022 to 2030. https://www.statista.com/statistics/1233827/ai-in-logistics-market-size-worldwide/
17. MarketsandMarkets. (2023). Artificial intelligence in supply chain market by offering, technology, application, and region – Global forecast to 2028. https://www.marketsandmarkets.com/Market-Reports/supply-chain-ai-market-34505090.html
18. IoT Analytics. (2024). State of IoT — Spring 2024: 10 key IoT market trends and the current state of the market. https://iot-analytics.com/state-of-iot-spring-2024/
19. Gartner. (2023). Gartner survey finds 60% of organizations are using or planning to implement digital twins to achieve sustainability goals. https://www.gartner.com/en/newsroom/press-releases/2023-07-14-gartner-survey-finds-60-percent-of-organizations-are-using-or-planning-to-use-digital-twins
20. Grand View Research. (2023). Blockchain in supply chain market size, share & trends analysis report by application (payment & settlement, inventory monitoring), by end-use, by region, and segment forecasts, 2023 – 2030. https://www.grandviewresearch.com/industry-analysis/blockchain-supply-chain-market
21. Allianz. (2024). Allianz Risk Barometer 2024: The top corporate risks for the year ahead. Allianz Commercial. https://commercial.allianz.com/news-and-insights/reports/allianz-risk-barometer.html
22. Cybersecurity Ventures. (2023). 2023 Official cybercrime report. https://cybersecurityventures.com/cybercrime-report/
23. Munich Re. (2024). Natural disasters 2023: Statistics, figures and analysis. https://www.munichre.com/en/risks/natural-disasters-statistics-and-figures.html
24. World Bank. (2024). Commodity markets outlook: Energy and food price volatility. https://www.worldbank.org/en/research/commodity-markets