ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ИНСТРУМЕНТ ПОВЫШЕНИЯ ЭКОЛОГИЧЕСКОЙ ЭФФЕКТИВНОСТИ ЛОГИСТИЧЕСКИХ ПРОЦЕССОВ
DOI:
https://doi.org/10.5281/zenodo.17849924Ключевые слова:
устойчивые цепи поставок, искусственный интеллект, экологичная логистика, сокращение углеродного следа, оптимизация на основе искусственного интеллекта, устойчивый транспорт, воздействие на окружающую среду, эффективность логистики, анализ данных, инновации в цепях поставок.Аннотация
В условиях возрастающей актуальности принципов устойчивого развития в глобальной экономике, промышленные предприятия и транснациональные корпорации подвергают фундаментальной ревизии традиционные модели управления цепями поставок. В данном контексте, искусственный интеллект позиционируется как стратегический инструмент и катализатор оптимизации экологической логистики, предоставляя возможности для существенного совершенствования ключевых процессов, включая транспортировку грузов, управление запасами, предиктивное моделирование потребительского спроса и рационализацию маршрутизации транспортных средств. Интегрированные и управляемые системы на основе передовых алгоритмов искусственного интеллекта демонстрируют значительный потенциал в обеспечении существенного сокращения объема генерируемых отходов производства, снижения потребления невозобновляемых топливных ресурсов и минимизации выбросов загрязняющих веществ в окружающую среду. Указанные факторы в совокупности способствуют формированию более устойчивых и экономически эффективных цепей поставок, обладающих повышенной адаптивностью к изменяющимся рыночным условиям и экологическим требованиям. Предлагаемое исследование фокусируется на комплексном анализе роли искусственного интеллекта в контексте устойчивых цепей поставок, охватывая широкий спектр аспектов, включающих области его практического применения, количественную оценку получаемых преимуществ, выявление сопутствующих вызовов и перспектив дальнейшего развития. В рамках исследования осуществлен углубленный анализ существующих научных публикаций, проведены тематические исследования конкретных примеров успешного внедрения искусственного интеллекта в логистические процессы. Предварительные результаты анализа свидетельствуют о том, что применение ориентированных логистических систем на основе искусственного интеллекта обеспечивает значительное повышение эффективности использования доступных ресурсов, снижение антропогенной нагрузки на окружающую среду посредством сокращения выбросов и отходов, а также оптимизацию процессов принятия управленческих решений на всех уровнях логистической иерархии. На основании проведенного анализа и полученных результатов, исследование позволяет сделать вывод о том, что искусственный интеллект является критически важным фактором, определяющим устойчивое развитие цепей поставок в долгосрочной перспективе. Однако, его эффективное внедрение требует разработки и реализации стратегического плана, предусматривающего целенаправленные инвестиции в развитие соответствующих компетенций, создание необходимой технологической инфраструктуры и гармонизацию разрабатываемых решений с действующими нормативно-правовыми требованиями в области охраны окружающей среды, что позволит обеспечить достижение долгосрочных экологических и экономических преимуществ для всех заинтересованных сторон.
Скачивания
Библиографические ссылки
Список литературы
1. Хорошилова, Т.Н. Роль искусственного интеллекта в логистике: эффективность, вызовы и решения / Т.Н. Хорошилова // Universum [Электронный ресурс]. – 2024. – №11 (128). – URL: https://7universum.com/ru/tech/archive/item/18548 (дата обращения: 18.07.2025).
2. AI in logistics & supply chains [Электронный ресурс]. – URL: https://www.dhl.com/global-en/delivered/innovation/ai-in-logistics.html (дата обращения: 18.07.2025).
3. Bateh, D. Machine Impact in Supply Chain Management / D. Bateh // The International Journal of Business Management and Technology. – 2019. – № 3 (3). – Р. 13–18.
4. Almuiet, M.Z. Intelligent Agent Framework For Knowledge Acquisition In Supply Chain Management / M.Z. Almuiet, F. Zawaideh // International Journal of Scientific & Technology Research. – 2019. – № 8 (9). – Р. 1984–1994.
5. Рогулин, Р.С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок / Р.С. Рогулин // Теоретическая экономика. – 2023. – № 8. – С.35–53.
6. Carbonneau, R. Application of machine learning techniques for supply chain demand forecasting / R. Carbonneau, K. Laframboise, R. Vahidov // European Journal of Operational Research. – 2008. – № 184 (3). – P. 1140–1154.
7. Thomassey, S. A short and mean-term automatic forecasting system – application to textile logistics / S. Thomassey, M. Happiette, J.M. Castelain // European Journal of Operational Research. – 2005. – № 161 (1). – P. 275–284.
8. Дерябина, Л.В. Складская логистика: способы управления и оптимизации / Л.В. Дерябина, В.В. Скитецкая // Вопросы устойчивого развития общества. – 2022. – №. 4. – С. 365–371.
9. Исхакова, А.Ф. Применение искусственного интеллекта / А.Ф. Исхакова // Вестник современных исследований. – 2018. – № 9.3. – С. 261–262.
10. Каменков, А.Л. Применение больших данных для анализа пассажиропотока на скоростных магистралях Российской Федерации / А.Л. Каменков // Транспортные системы и технологии. – 2020. – № 2. – С. 106–115.
11. Шиболденков, В.А. Обзор применения технологии летательных дронов в производственных целях (на примере наукоёмкой промышленности) / В.А. Шиболденков, М.Е. Куликова, П.П. Савченко // Московский экономический журнал. – 2023. – № 3. – С. 102–119.
12. Cerna, I. The unmanned aerial vehicles in international trade and their regulation / I. Cerna // Actual Problems of Economics and Law. – 2016. – Vol. 10. – No. 3. – Р. 83–91.
13. Смирнов, Е. Опыт Северстали по внедрению автоматизированных решений на складе горячекатаных рулонов / Е. Смирнов // Металлургия и технологии. – 2020. – № 27(5). – С. 89–97.
14. Лебедев, В. Инновационные решения для металлургических предприятий: опыт Северстали / В. Лебедев // Промышленная логистика. – 2020. – № 18(4). – С. 67–78.
15. Беспятая, М.Н. ИТ-решения в логистических стратегиях цепочек поставок / М.Н. Беспятая // Инновационные маркетингово-логистические стратагемы формирования социально-экономических систем: монография / Т.В. Ибрагимхалилова, Н.В. Агаркова, Л.В. Балабанова [и др.]. – Донецк: ДонНУ, 2022. – С. 248–257.
16. Стратегическое планирование развития экономики в условиях цифровизации: инструменты, способы, методы: монография / А.В. Половян, К.И. Синицына; под ред. д-ра экон. наук А.В. Половяна. – Москва: Магистр: ИНФРА-М, 2023. – 304 c. – ISBN: 978-5-9776-0549-6.
17. Колокутский, А. Искусственный интеллект в транспортной логистике: оптимизация маршрутов и снижение затрат / А. Колокутский // Евразийский научный журнал. Технические науки. – 2024. – С. 4–8.
18. И для более интеллектуального управления запасами в розничной торговле [Электронный ресурс]. – URL: https://www.ultralytics.com/ru/blog/ai-for-smarter-retail-inventory-management (дата обращения: 18.07.2025).
19. Предиктивное техническое обслуживание: что это такое и как работает [Электронный ресурс]. – URL: https://blog.vibray.ru/post/15/ (дата обращения: 18.07.2025).
20. Загорная, Т.О. Модель перехода логистической системы предприятия к цифровому варианту: барьеры, форматы, результативность / Т.О. Загорная, Л.Ш. Морозова, С.А. Медведков // Новое в экономической кибернетике. – 2021. – № 3. – С. 18–31.
21. Камилов, М.М. Процесс моделирования спроса на товары с использованием алгоритмов машинного обучения / М.М. Камилов, М.Х. Худайбердиев, О.С. Алимжанова // Потомки Аль-Фаргани. – 2024. – Т. 1. – Вып. 2. – С. 249–255.
22. Wingfield, N. The Robots of Amazon [Электронный ресурс]. – URL: https://www.nytimes.com/2017/09/10/technology/amazon-robots-workers.html?searchResultPosition=2 (дата обращения: 18.07.2025).
23. Chatbots in logistics & transportation: benefits & use cases [Электронный ресурс]. – URL: https://acropolium.com/blog/chatbots-in-logistics/ (дата обращения: 18.07.2025).
24. Без водителя: как роботы на дорогах экономят деньги бизнеса [Электронный ресурс]. – URL: https://www.forbes.ru/spetsproekt/519545-bez-voditela-kak-roboty-na-dorogah-ekonomat-den-gi-biznesa?erid=F7NfYUJCUneLu1tTJAbH&ysclid=md8pgnr6ml848615881 (дата обращения: 18.07.2025).
25. Комаров, К.Л. Цифровизация как ключевой механизм современных технологий в организационных структурах транспортного производства / К.Л. Комаров // Вестник Сибирского государственного университета путей сообщения. – 2018. – № 2 (45). – С. 24 29.
26. Чуланова, О.Л. Концепция интеграции технологий искусственного интеллекта в работу с персоналом в цифровой парадигме / О.Л. Чуланова // Управление персоналом и интеллектуальными ресурсами в России. – 2020. – Т. 9. – № 2. – С. 5–9.
27. Антонов-Дружинин, П.В. Способы применения искусственного интеллекта при управлении операционной эффективностью предприятий / П.В. Антонов-Дружинин, М.А. Суржиков // Вестник Ростовского государственного экономического университета (РИНХ). – 2024. – № 4(31). – С. 32–42.
References
1. Khoroshilova, T.N. (2024) [The role of artificial intelligence in logistics: efficiency, challenges and solutions]. Universum. Retrieved from: https://7universum.com/ru/tech/archive/item/18548 (date of application: 18.07.2025). (In Russian).
2. Global (2021). AI in logistics & supply chains. Retrieved from: https://www.dhl.com/global-en/delivered/innovation/ai-in-logistics.html.
3. Bateh, D. (2019) Machine Impact in Supply Chain Management. The International Journal of Business Management and Technology. 3(3), 13–18.
4. Almuiet, M.Z., Zawaideh F. (2019) Intelligent Agent Framework For Knowledge Acquisition In Supply Chain Management. International Journal of Scientific & Technology Research. 8 (9), 1984–1994.
5. Rogulin, R.S. (2023) [Using methods of data analysis and machine learning for forecasting and planning demand in supply chain management]. Teoreticheskaya ekonomika = Theoretical economics. 8, 35–53. (In Russian).
6. Carbonneau, R., Laframboise K., Vahidov R. (2008) Application of machine learning techniques for supply chain demand forecasting. European Journal of Operational Research. 184 (3), 1140–1154.
7. Thomassey, S., Happiette M., Castelain J.M. (2005) A short and mean-term automatic forecasting system – application to textile logistics. European Journal of Operational Research. 161 (1), 275–284.
8. Deryabina, L.V., Skitetskaya V.V. (2022) [Warehouse logistics: methods of management and optimization]. Voprosy ustojchivogo razvitiya obshchestva = Issues of sustainable development of society. 4, 365–371. (In Russian).
9. Iskhakova, A.F. (2018) [Application of artificial intelligence]. Vestnik sovremennyh issledovanij = Bulletin of Modern Research. 9.3, 261–262. (In Russian).
10. Kamen'kov, A.L. (2020) [The use of big data to analyze passenger traffic on high-speed highways of the Russian Federation]. Transportnye sistemy i tekhnologii = Transport systems and technologies. 2, 106–115. (In Russian).
11. Shiboldenkov V.A., Kulikova M.E., Savchenko P.P. (2023) [Review of the use of flying drone technology for industrial purposes (using the example of the high-tech industry)]. Moskovskij ekonomicheskij zhurnal = Moscow Economic Journal. 3, 102–119. (In Russian).
12. Cerna, I. (2016) The unauthorized aerial vehicles in international trade and their regulation. Actual Problems of Economics and Law. 10 (3), 83–91.
13. Smirnov, E. (2020) [Severstal's experience in the implementation of automated solutions in the warehouse of hot-rolled coils]. Metallurgiya i tekhnologii = Metallurgy and Technology. 27(5), 89–97. (In Russian).
14. Lebedev, V. (2020) [Innovative solutions for metallurgical enterprises: the experience of Severstal]. Promyshlennaya logistika = Industrial logistics. 18(4), 67–78. (In Russian).
15. Bespiataya, M.N. (2022) IT solutions in logistics supply chain strategies In: Innovative marketing and logistics stratagems of the formation of socio-economic systems: a monograph. Donetsk: DonNU. (In Russian).
16. Polovyan, A.V. (2023) Strategic planning of economic development in the context of digitalization: tools, methods, methods In: A.V. Polovyan, K.I. Sinitsyna. Moscow: Magister: INFRA-M, 304 p. ISBN: 978-5-9776-0549-6. (In Russian).
17. Kolokutsky, A.(2024) [Artificial intelligence in transport logistics: route optimization and cost reduction]. Evrazijskij nauchnyj zhurnal. Tekhnicheskie nauki = Eurasian Scientific Journal. Technical sciences. 4–8. (In Russian).
18. Ultralytics (2024). And for more intelligent inventory management in retail trade. Retrieved from: https://www.ultralytics.com/ru/blog/ai-for-smarter-retail-inventory-management. (date of application: 18.07.2025). (In Russian).
19. Vibray (2024). Predictive maintenance: what it is and how it works. Retrieved from: https://blog.vibray.ru/post/15/. (date of application: 18.07.2025). (In Russian).
20. Zagornaya T.O., Morozova L.S., Medvedkov S.A. (2021) [The model of transition of the logistics system of the enterprise to the digital version: barriers, formats, effectiveness]. Novoe v ekonomicheskoj kibernetike = New in economic cybernetics. 3, 18–31. (In Russian).
21. Kamilov, M.M., Khudaiberdiev, M.H., Alimzhanova O.S. (2024) [The process of modeling demand for goods using machine learning algorithms]. Potomki Al'-Fargani = Descendants of Al-Farghani. 1 (2), 249–255. (In Russian).
22. Wingfield, N. (2017) The Robots of Amazon. Retrieved from: https://www.nytimes.com/2017/09/10/technology/amazon-robots-workers.html?searchResultPosition=2 (date of application: 18.07.2025).
23. Acropolium (2023) Chatbots in logistics & transportation: benefits & use cases. Retrieved from: https://acropolium.com/blog/chatbots-in-logistics/ (date of application: 18.07.2025).
24. Forbes (2024) Without a driver: how robots on the roads save business money. Retrieved from: https://www.forbes.ru/spetsproekt/519545-bez-voditela-kak-roboty-na-dorogah-ekonomat-den-gi-biznesa?erid=F7NfYUJCUneLu1tTJAbH&ysclid=md8pgnr6ml848615881 (date of application: 18.07.2025). (In Russian).
25. Komarov, K.L. (2018) [Digitalization as a key mechanism of modern technologies in organizational structures of transport production]. Vestnik Sibirskogo gosudarstvennogo universiteta putej soobshcheniya = Bulletin of the Siberian State University of Railway Communications. 2 (45), 24–29. (In Russian).
26. Chulanova, O.L. (2020) [The concept of integrating artificial intelligence technologies into work with personnel in the digital paradigm]. Upravlenie personalom i intellektual'nymi resursami v Rossii = Personnel and intellectual resources management in Russia. 9 (2), 5–9. (In Russian).
27. Antonov–Druzhinin, P.V., Surzhikov, M.A. (2024) [Methods of using artificial intelligence in managing the operational efficiency of enterprises]. Vestnik Rostovskogo gosudarstvennogo ekonomicheskogo universiteta (RINH) = Bulletin of the Rostov State University of Economics (RINH). 4(31), 32–42. (In Russian).
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Новое в экономической кибернетике» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
