A Systematic Review of Sustainable Ground-Based Last-Mile Delivery of Parcels: Insights from Operations Research
Notice bibliographique
Résumé
The importance of Last-Mile Delivery (LMD) in the current economy cannot be overstated, as it is the final and most crucial step in the supply chain between retailers and consumers. In major cities, absent intervention, urban LMD emissions are projected to rise by >30% by 2030 as e-commerce grows (top-100-city “do-nothing” baseline). Sustainable, innovative ground-based solutions for LMD, such as Electric Vehicles, autonomous delivery robots, parcel lockers, pick-up points, crowdsourcing, and freight-on-transit, can revolutionize urban logistics by reducing congestion and pollution while improving efficiency. However, developing these solutions presents challenges in Operations Research (OR), including problem modeling, optimization, and computations. This systematic review aims to provide an OR-centric synthesis of sustainable, ground-based LMD by (i) classifying these innovative solutions across problem types and methods, (ii) linking technique classes to sustainability goals (cost, emissions/energy, service, resilience, and equity), and (iii) identifying research gaps and promising hybrid designs. We support this synthesis by systematically screening 283 records (2010–2025) and analyzing 265 eligible studies. After the gap analysis, the researchers and practitioners are recommended to explore new combinations of innovative solutions for ground-based LMD. While they offer benefits, their complexity requires advanced solution algorithms and decision-making frameworks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,010 |
| Bibliométrie | 0,022 | 0,025 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».