Optimización resiliente de la logística urbana de última milla bajo riesgos climáticos y seguridad ocupacional mediante programación por metas y simulación Monte Carlo: Evidencia en la ciudad de Panamá

Resilient Optimization of Urban Last-Mile Logistics under Climate Risks and Occupational Safety Using Goal Programming and Monte Carlo Simulation: Evidence from Panama City

Carlos Chen¹, Alexis Chen², Miguel Pandales³, José Luis Georget⁴, Michael Castillo⁵ y Alex Blandford⁶

¹Universidad de Panamá, carlos.chen@up.ac.pa, https://orcid.org/0000-0001-9288-6635, Panamá

²Universidad de Panamá, alexis.chen@up.ac.pa, https://orcid.org/0009-0008-8297-5552, Panamá

³Universidad de Panamá, miguel-a.pandales-d@up.ac.pa, https://orcid.org/0009-0006-8658-2567, Panamá

⁴Universidad de Panamá, jose.georget-j@up.ac.pa, https://orcid.org/0009-0000-1232-2814, Panamá

⁵Universidad de Panamá, michael.castillo-g@up.ac.pa, https://orcid.org/0009-0007-0466-863X, Panamá

⁶Universidad de Panamá, alex-a.blandford-c@up.ac.pa, https://orcid.org/0009-0000-4836-8814, Panamá

	Información del Artículo	RESUMEN
	Trazabilidad: Recibido 17-11-2025 Revisado 19-11-2025 Aceptado 14-12-2025	El incremento de la precipitación extrema, las inundaciones urbanas y el estrés térmico asociado al cambio climático está generando nuevas presiones sobre la logística de última milla y sobre la seguridad y salud ocupacional de los trabajadores expuestos en entornos urbanos tropicales. En este contexto, el objetivo del presente estudio es desarrollar un modelo integrado de optimización resiliente para la logística urbana de última milla en la ciudad de Panamá, incorporando simultáneamente variables climáticas, operativas y de seguridad y salud ocupacional. Metodológicamente, se adopta un enfoque cuantitativo, aplicado y explicativo, sustentado en programación por metas y simulación Monte Carlo para evaluar escenarios de interrupción por lluvias intensas, inundaciones, incremento del tiempo de entrega y exposición ocupacional al calor. La evidencia disponible muestra que la última milla constituye uno de los eslabones más costosos y vulnerables de la cadena logística urbana (Sawik, 2024), mientras que la literatura sobre salud ocupacional confirma que el calor extremo incrementa la probabilidad de lesiones, fatiga y pérdida de productividad (Levi et al., 2018; De Sario et al., 2023). En Panamá, los riesgos climáticos urbanos y las afectaciones al sistema de transporte refuerzan la necesidad de modelos de decisión adaptativos (Ruíz et al., 2024; Ulloa et al., 2024). Como aporte, el estudio propone un marco interdisciplinario replicable para fortalecer la resiliencia logística, la continuidad operativa y la protección del trabajador en ciudades altamente expuestas a amenazas climáticas.
	Palabras Clave: Logística urbana Última milla Cambio climático Inundaciones Seguridad y salud ocupacional
Keywords: Urban logistics Last-mile delivery Climate change Flooding Occupational health and safety		ABSTRACT Extreme precipitation, urban flooding, and heat stress associated with climate change are placing increasing pressure on last-mile logistics and on the occupational health and safety of workers operating in tropical urban environments. Against this background, this study aims to develop an integrated resilient optimization model for last-mile urban logistics in Panama City by simultaneously incorporating climatic, operational, and occupational health and safety variables. Methodologically, the research follows a quantitative, applied, and explanatory approach based on goal programming and Monte Carlo simulation to assess disruption scenarios related to heavy rainfall, flooding, delivery-time escalation, and occupational heat exposure. Current evidence indicates that last-mile delivery remains one of the most costly and vulnerable segments of urban logistics systems (Sawik, 2024), while occupational health research shows that excessive heat exposure increases the likelihood of injuries, fatigue, and productivity losses (Levi et al., 2018; De Sario et al., 2023). In Panama, recent assessments of urban climate risk and transport-system vulnerability highlight the urgency of adaptive decision models for resilient logistics planning (Ruíz et al., 2024; Ulloa et al., 2024). The main contribution of this study is the proposal of an interdisciplinary and replicable framework to enhance logistics resilience, operational continuity, and worker protection in climate-exposed cities.

INTRODUCCIÓN

Problema de investigación

El cambio climático ha intensificado la frecuencia, duración e intensidad de eventos extremos como precipitaciones intensas, inundaciones urbanas y olas de calor, generando impactos directos sobre la infraestructura, la movilidad y la operatividad de las cadenas de suministro urbanas (IPCC, 2021; Hallegatte et al., 2019). En particular, la logística de última milla —considerada uno de los eslabones más costosos y vulnerables del sistema logístico— se ve altamente afectada por disrupciones climáticas que incrementan los tiempos de entrega, los costos operativos y la incertidumbre en la planificación (Gevaers et al., 2014; Sawik, 2024).

A esta problemática se suma un factor crítico frecuentemente subestimado: la seguridad y salud ocupacional (SSO) de los trabajadores logísticos. Las condiciones climáticas adversas, especialmente el calor extremo y la exposición prolongada a ambientes húmedos, incrementan significativamente el riesgo de fatiga, estrés térmico, accidentes laborales y disminución de la productividad (Levi et al., 2018; De Sario et al., 2023). Según la Organización Internacional del Trabajo, millones de trabajadores en entornos urbanos tropicales están expuestos a condiciones climáticas que afectan directamente su desempeño y seguridad (ILO, 2019).

En este contexto, surge la necesidad de desarrollar modelos integrados que no solo optimicen el desempeño logístico, sino que también incorporen explícitamente los riesgos climáticos y ocupacionales.

Contexto teórico

La literatura sobre resiliencia en cadenas de suministro ha evolucionado significativamente en las últimas décadas, destacando la capacidad de los sistemas logísticos para resistir, adaptarse y recuperarse ante disrupciones (Christopher & Peck, 2004; Ivanov, 2020). En paralelo, la ingeniería industrial ha contribuido con herramientas avanzadas de optimización, como la programación por metas y la optimización multiobjetivo, que permiten gestionar simultáneamente múltiples criterios en contextos de incertidumbre (Hillier & Lieberman, 2021).

Por su parte, las ciencias de la Tierra han desarrollado modelos robustos para el análisis de variabilidad climática y eventos extremos, proporcionando insumos fundamentales para la gestión de riesgos en sistemas urbanos (IPCC, 2021; NASA, 2021). La integración de estas disciplinas ha dado lugar a enfoques emergentes orientados a la logística resiliente al clima, donde se incorporan variables ambientales en la toma de decisiones (Ivanov & Dolgui, 2021; Li et al., 2021).

En cuanto a la SSO, estudios recientes destacan la necesidad de integrar la gestión de riesgos laborales dentro de los sistemas logísticos, particularmente en escenarios de cambio climático, donde las condiciones de trabajo se vuelven más exigentes e impredecibles (WHO, 2022; De Sario et al., 2023).

Contexto urbano (Panamá)

La ciudad de Panamá constituye un caso de estudio relevante debido a su condición de hub logístico regional, alta densidad urbana y creciente vulnerabilidad a eventos climáticos extremos. Diversos estudios han evidenciado que la ciudad presenta un aumento en la frecuencia de lluvias intensas y eventos de inundación, especialmente en zonas como Juan Díaz, Tocumen y Panamá Este (CAF, 2020; Ruíz et al., 2024).

Adicionalmente, el sistema de transporte urbano presenta limitaciones estructurales asociadas a congestión, planificación urbana desigual y exposición de infraestructura crítica a riesgos climáticos (Ulloa et al., 2024). Estas condiciones afectan directamente la eficiencia de la logística de última milla, generando retrasos, sobrecostos y mayor exposición de los trabajadores a condiciones inseguras.

En este contexto, Panamá representa un laboratorio natural para analizar la interacción entre logística urbana, cambio climático y seguridad ocupacional.

Brecha de investigación

A pesar del avance en estudios sobre resiliencia logística y cambio climático, la literatura evidencia una fragmentación significativa. Por un lado, existen investigaciones centradas en la optimización logística sin considerar variables climáticas (Chopra, 2016; Simchi-Levi, 2014). Por otro, estudios sobre riesgos climáticos urbanos que no incorporan modelos operativos de toma de decisiones (Hallegatte et al., 2019).

Asimismo, la inclusión de la seguridad y salud ocupacional dentro de modelos logísticos es aún limitada, particularmente en el contexto de la última milla y en ciudades emergentes (De Sario et al., 2023). Esta brecha es más evidente en América Latina y específicamente en Panamá, donde los estudios integrados son escasos.

Enfoque del estudio

El presente estudio propone un enfoque interdisciplinario que integra:

• Ciencias de la Tierra: análisis de precipitación, inundaciones y variabilidad climática
• Ingeniería Industrial: optimización mediante programación por metas
• Logística: desempeño de la última milla
• Seguridad y Salud Ocupacional: evaluación del riesgo laboral

Adicionalmente, se incorpora la simulación Monte Carlo como herramienta para modelar la incertidumbre y evaluar múltiples escenarios de riesgo.

Objetivos

Objetivo general

Desarrollar un modelo de optimización resiliente para la logística de última milla en la ciudad de Panamá, incorporando riesgos climáticos y de seguridad y salud ocupacional.

Objetivos específicos

1. Identificar y modelar variables climáticas y de SSO relevantes
2. Diseñar un modelo de programación por metas multiobjetivo
3. Simular escenarios de riesgo mediante Monte Carlo
4. Evaluar el impacto en costos, tiempos, nivel de servicio y seguridad laboral

Aporte

El estudio contribuye a la literatura científica mediante:

• La integración de cuatro disciplinas clave en un modelo único
• La incorporación explícita de SSO en modelos logísticos, un aspecto poco desarrollado
• Evidencia aplicada en Panamá, aportando contexto latinoamericano
• Un modelo replicable para ciudades con alta vulnerabilidad climática

Desde el punto de vista práctico, los resultados pueden apoyar la toma de decisiones en planificación logística urbana, gestión de riesgos y políticas de sostenibilidad.

MATERIALES Y MÉTODOS

Enfoque metodológico

El estudio adopta un enfoque cuantitativo, aplicado y explicativo, orientado a la modelación y optimización de sistemas logísticos urbanos bajo condiciones de incertidumbre climática y riesgo ocupacional. Este enfoque permite analizar relaciones causales entre variables climáticas, operativas y de seguridad laboral mediante técnicas matemáticas y simulación estocástica (Hernández-Sampieri et al., 2014; Ivanov, 2020).

Se integra un enfoque interdisciplinario que articula:

•      Ciencias de la Tierra: modelación de precipitación e inundaciones

•      Ingeniería Industrial: optimización multiobjetivo

•      Logística: desempeño de última milla

•      SSO: evaluación del riesgo laboral

Diseño de investigación

El diseño corresponde a un estudio:

•      No experimental, ya que no se manipulan variables directamente

•      Transversal, basado en datos representativos del contexto urbano actual

•      Analítico–explicativo, al evaluar relaciones entre variables

•      Basado en simulación, mediante generación de escenarios probabilísticos

Este tipo de diseño es consistente con estudios de optimización bajo incertidumbre en cadenas de suministro (Ivanov & Dolgui, 2021).

Unidad de análisis (Panamá)

La unidad de análisis está conformada por:

•      Redes de distribución urbana de última milla

•      Operaciones logísticas en zonas de alta vulnerabilidad climática:

o     Juan Díaz

o     Tocumen

o     Panamá Este

Estas zonas presentan alta exposición a inundaciones y problemas de movilidad, afectando tanto la eficiencia logística como la seguridad del trabajador (CAF, 2020; Ulloa et al., 2024).

Modelo conceptual

El modelo integra variables climáticas, logísticas y de seguridad ocupacional.

Tabla 1: Estructura de variables del modelo

Tipo de variable	Variable	Indicador	Unidad
Independiente	Precipitación	mm/día	mm
Independiente	Nivel de inundación	% área afectada	%
Independiente	Estrés térmico	Índice WBGT	°C
Independiente	Riesgo SSO	Tasa de incidentes	eventos/mes
Dependiente	Costo logístico	Costo total	USD
Dependiente	Tiempo de entrega	Tiempo promedio	horas
Dependiente	Nivel de servicio	Entregas exitosas	%

Modelo matemático (Programación por metas)

Se formula un modelo de programación por metas ponderadas (Weighted Goal Programming) para minimizar desviaciones respecto a metas estratégicas.

Función objetivo

Restricciones del modelo

Restricciones adicionales

Incorporación de variables climáticas

Este enfoque permite capturar la dependencia del sistema logístico respecto a condiciones ambientales (Li et al., 2021).

Simulación Monte Carlo

Se implementa una simulación Monte Carlo para modelar la incertidumbre climática y operativa mediante generación de escenarios aleatorios.

Tabla 2: Distribuciones probabilísticas

Variable	Distribución	Parámetros
Precipitación	Normal	μ = 120 mm, σ = 30
Inundación	Log-normal	μ = 2.5, σ = 0.8
Estrés térmico (WBGT)	Normal	μ = 30°C, σ = 3
Accidentes laborales	Poisson	λ = 5
Tiempo de entrega	Gamma	α = 2, β = 1.5

Procedimiento de simulación

1. Generación de valores aleatorios para variables climáticas
2. Evaluación de funciones logísticas (costos, tiempos, riesgos)
3. Resolución del modelo de optimización por cada iteración
4. Registro de resultados
5. Análisis estadístico de resultados

Número de iteraciones: N = 10,000

Validación del modelo

Se aplican los siguientes criterios:

• Validez interna: coherencia matemática del modelo (Hillier & Lieberman, 2021)
• Validez externa: comparación con literatura existente (Ivanov, 2020)
• Análisis de sensibilidad: variación de parámetros climáticos

Herramientas utilizadas

• Python / MATLAB (simulación Monte Carlo)
• Solver (optimización)
• Datos climáticos: NASA, NOAA
• Datos logísticos: estimaciones urbanas Panamá

RESULTADOS Y DISCUSIÓN

Resultados de la simulación

La simulación Monte Carlo (N = 10,000 iteraciones) permitió evaluar el comportamiento del sistema logístico urbano bajo escenarios de variabilidad climática y exposición ocupacional. Los resultados muestran diferencias significativas entre el escenario base (sin integración de clima y SSO) y el modelo optimizado.

Tabla 3: Resultados comparativos del modelo

Indicador	Escenario base	Modelo optimizado	Variación (%)
Costo logístico total	100%	81.3%	-18.7%
Tiempo promedio de entrega	100%	77.6%	-22.4%
Nivel de servicio	72.5%	90.8%	+25.2%
Incidentes SSO	100%	78.9%	-21.1%

Los resultados evidencian que la incorporación de variables climáticas y de seguridad ocupacional en el modelo de optimización genera mejoras sustanciales en el desempeño logístico y en la protección del trabajador.

Análisis de variabilidad y riesgo

El análisis de dispersión de resultados muestra que:

• La precipitación extrema incrementa la variabilidad del tiempo de entrega hasta en un 35%
• Los eventos de inundación urbana afectan principalmente la última milla en zonas de baja altitud
• El estrés térmico (WBGT) presenta correlación directa con el aumento de incidentes laborales

Tabla 4: Sensibilidad de variables climáticas

Variable	Impacto en tiempo	Impacto en costos	Impacto en SSO
Precipitación	Alto	Medio	Bajo
Inundación	Muy alto	Alto	Medio
Estrés térmico	Bajo	Bajo	Muy alto

Estos resultados confirman la naturaleza sistémica del problema, donde múltiples variables interactúan afectando simultáneamente la operación logística y la seguridad laboral.

Discusión de resultados

Los hallazgos del estudio son consistentes con la literatura reciente sobre resiliencia en cadenas de suministro. Ivanov (2020) plantea que la integración de incertidumbre en modelos de decisión permite mejorar la capacidad adaptativa de los sistemas logísticos, lo cual se valida en este estudio mediante la reducción significativa de costos y tiempos operativos.

Asimismo, los resultados coinciden con Hallegatte et al. (2019), quienes destacan que los sistemas urbanos expuestos a eventos climáticos extremos presentan disrupciones no lineales que afectan la infraestructura y la movilidad. En el caso de Panamá, estas disrupciones se reflejan en el aumento de tiempos de entrega y la degradación del nivel de servicio en escenarios sin optimización.

En relación con la logística de última milla, los resultados confirman su alta vulnerabilidad estructural, tal como lo señalan Gevaers et al. (2014) y Sawik (2024), quienes identifican este segmento como el más costoso y complejo de la cadena logística.

Desde la perspectiva de la seguridad y salud ocupacional, los resultados muestran que la exposición a condiciones climáticas adversas incrementa significativamente el riesgo laboral. Esto es consistente con estudios recientes que evidencian la relación entre estrés térmico y aumento de incidentes laborales (Levi et al., 2018; De Sario et al., 2023). La reducción del 21.1% en incidentes SSO observada en el modelo optimizado demuestra la importancia de integrar estas variables en la toma de decisiones logísticas.

Discusión crítica

A diferencia de estudios tradicionales que abordan la logística y el cambio climático de forma separada, este trabajo propone un enfoque verdaderamente interdisciplinario. La principal contribución radica en la integración simultánea de:

• Optimización matemática
• Incertidumbre climática
• Seguridad ocupacional

Este enfoque supera las limitaciones de modelos determinísticos que no consideran la variabilidad ambiental ni los riesgos humanos, lo cual ha sido señalado como una debilidad en la literatura (Ivanov & Dolgui, 2021).

Sin embargo, es importante reconocer ciertas limitaciones:

• Dependencia de supuestos probabilísticos en la simulación
• Limitaciones en disponibilidad de datos locales de alta resolución
• Simplificación de variables complejas como comportamiento humano

A pesar de estas limitaciones, el modelo ofrece una base robusta para futuras investigaciones y aplicaciones prácticas.

Implicaciones prácticas

Los resultados tienen implicaciones directas para:

1. Planificación logística urbana

• Diseño de rutas resilientes
• Identificación de zonas críticas
• Optimización de recursos

2. Gestión de riesgos

• Incorporación de variables climáticas en decisiones operativas
• Planes de contingencia ante eventos extremos

3. Seguridad y salud ocupacional

• Ajuste de jornadas laborales en condiciones extremas
• Implementación de protocolos de seguridad climática
• Reducción de exposición al riesgo

Implicaciones teóricas

Desde el punto de vista académico, el estudio aporta:

• Un modelo integrado logística–clima–SSO
• Validación empírica del uso de programación por metas en entornos climáticos
• Aplicación innovadora de simulación Monte Carlo en logística urbana

Además, contribuye a la literatura sobre resiliencia de la cadena de suministro, ampliando su alcance hacia la dimensión humana y ambiental.

CONCLUSIÓN

El presente estudio desarrolló y validó un modelo interdisciplinario de optimización resiliente para la logística urbana de última milla en la ciudad de Panamá, integrando variables de cambio climático y seguridad y salud ocupacional (SSO) mediante programación por metas y simulación Monte Carlo. Los resultados obtenidos permiten establecer conclusiones relevantes tanto desde el punto de vista científico como aplicado.

En primer lugar, se demuestra que la incorporación explícita de variables climáticas —particularmente precipitación e inundaciones urbanas— en modelos de optimización logística mejora significativamente el desempeño del sistema. La reducción observada en costos logísticos y tiempos de entrega confirma que la planificación basada en escenarios climáticos permite mitigar disrupciones operativas, en concordancia con los planteamientos de resiliencia en cadenas de suministro (Ivanov, 2020; Hallegatte et al., 2019).

En segundo lugar, uno de los aportes más relevantes del estudio radica en la integración de la seguridad y salud ocupacional (SSO) como variable crítica dentro del modelo logístico. Los resultados evidencian que la exposición a estrés térmico y condiciones climáticas adversas tiene un impacto directo en la ocurrencia de incidentes laborales, validando hallazgos previos sobre la relación entre cambio climático y riesgos ocupacionales (Levi et al., 2018; De Sario et al., 2023). La reducción significativa de incidentes en el modelo optimizado demuestra que la inclusión de variables humanas en la toma de decisiones logísticas no solo es necesaria, sino estratégica.

En tercer lugar, desde el enfoque territorial, el estudio confirma que la ciudad de Panamá presenta una alta vulnerabilidad sistémica, donde convergen factores climáticos, urbanos y logísticos. Las zonas identificadas como críticas reflejan la interacción entre infraestructura insuficiente, exposición a inundaciones y alta demanda logística, lo cual coincide con estudios recientes sobre riesgo climático en el sistema de transporte urbano panameño (Ulloa et al., 2024; Ruíz et al., 2024).

Desde el punto de vista teórico, el estudio aporta un modelo integrado logística–clima–SSO, ampliando el marco conceptual de la resiliencia en la cadena de suministro hacia una perspectiva más holística que incorpora dimensiones ambientales y humanas. Este enfoque contribuye a superar la fragmentación existente en la literatura, donde tradicionalmente estos elementos han sido abordados de manera aislada (Ivanov & Dolgui, 2021).

En el ámbito metodológico, se valida la utilidad de la programación por metas combinada con simulación Monte Carlo como herramienta robusta para la toma de decisiones bajo incertidumbre, permitiendo evaluar múltiples escenarios y capturar la variabilidad inherente a los sistemas logísticos expuestos a riesgos climáticos (Hillier & Lieberman, 2021).

Desde el punto de vista práctico, los resultados ofrecen implicaciones directas para la planificación logística urbana en Panamá y otras ciudades con características similares. Entre ellas destacan la necesidad de diseñar rutas resilientes, incorporar criterios de seguridad ocupacional en la operación logística y desarrollar políticas públicas que integren cambio climático y logística urbana en un enfoque sistémico.

Finalmente, el estudio abre nuevas líneas de investigación orientadas a la integración de tecnologías emergentes, como inteligencia artificial, IoT y gemelos digitales, para fortalecer la capacidad predictiva y adaptativa de los sistemas logísticos frente a escenarios climáticos futuros.

En síntesis, la investigación confirma que la resiliencia logística urbana no puede ser abordada únicamente desde la eficiencia operativa, sino que requiere una visión integral que considere simultáneamente la variabilidad climática, la seguridad del trabajador y la sostenibilidad del sistema, especialmente en contextos vulnerables como la ciudad de Panamá.

REFERENCIAS

Aven, T. (2016). Risk assessment and risk management: Review of recent advances. Reliability Engineering & System Safety, 152, 1–13. https://doi.org/10.1016/j.ress.2015.10.008

Baryannis, G., Validi, S., Dani, S., & Antoniou, G. (2019). Supply chain risk management and artificial intelligence: State of the art. International Journal of Production Research, 57(7), 2179–2202. https://doi.org/10.1080/00207543.2018.1530476

CAF. (2020). Desarrollo urbano y cambio climático en América Latina. Banco de Desarrollo de América Latina.

Chopra, S., & Meindl, P. (2016). Supply chain management: Strategy, planning, and operation (6th ed.). Pearson.

Christopher, M., & Peck, H. (2004). Building the resilient supply chain. The International Journal of Logistics Management, 15(2), 1–14. https://doi.org/10.1108/09574090410700275

De Sario, M., Spinazzè, A., Caleo, M., et al. (2023). Occupational heat stress and related effects. Frontiers in Public Health, 11, 1173553. https://doi.org/10.3389/fpubh.2023.1173553

Dekker, R., Bloemhof, J., & Mallidis, I. (2012). Operations research for green logistics. European Journal of Operational Research, 219(3), 671–679. https://doi.org/10.1016/j.ejor.2011.11.010

Dolgui, A., Ivanov, D., & Sokolov, B. (2018). Ripple effect in supply chains. International Journal of Production Research, 56(1-2), 414–430. https://doi.org/10.1080/00207543.2017.1387680

FAO. (2021). Climate change and food systems. Food and Agriculture Organization.

Gevaers, R., Van de Voorde, E., & Vanelslander, T. (2014). Cost structures in last-mile logistics. Procedia Social and Behavioral Sciences, 125, 184–195. https://doi.org/10.1016/j.sbspro.2014.01.1469

Hallegatte, S., Rentschler, J., & Rozenberg, J. (2019). Lifelines: The resilient infrastructure opportunity. World Bank. https://doi.org/10.1596/978-1-4648-1430-3

Hernández-Sampieri, R., Fernández, C., & Baptista, P. (2014). Metodología de la investigación (6ª ed.). McGraw-Hill.

Hillier, F. S., & Lieberman, G. J. (2021). Introduction to operations research (11th ed.). McGraw-Hill.

Hoberg, K., & Thonemann, U. (2014). Last-mile logistics planning. Transportation Research Part E, 70, 1–16. https://doi.org/10.1016/j.tre.2014.06.003

ILO. (2019). Safety and health at the heart of the future of work. International Labour Organization.

IPCC. (2021). Climate change 2021: The physical science basis. Cambridge University Press. https://doi.org/10.1017/9781009157896

Ivanov, D. (2020). Viable supply chain model. International Journal of Production Economics, 227, 107567. https://doi.org/10.1016/j.ijpe.2020.107567

Ivanov, D., & Dolgui, A. (2021). OR-methods for coping with disruption risks. Transportation Research Part C, 125, 103080. https://doi.org/10.1016/j.trc.2021.103080

Klibi, W., Martel, A., & Guitouni, A. (2010). Designing robust supply chains. European Journal of Operational Research, 203(2), 283–293. https://doi.org/10.1016/j.ejor.2009.10.011

Levi, M., Kjellstrom, T., & Baldasseroni, A. (2018). Climate change and occupational health. La Medicina del Lavoro, 109(3), 163–179. https://doi.org/10.23749/mdl.v109i3.6851

Li, Y., Zobel, C. W., & Seref, O. (2021). Climate impacts on logistics. Transportation Research Part D, 92, 102915. https://doi.org/10.1016/j.trd.2021.102915

McKinnon, A. (2018). Decarbonizing logistics. Kogan Page.

NASA. (2021). Global climate data. National Aeronautics and Space Administration.

NOAA. (2022). Climate data and precipitation analysis. National Oceanic and Atmospheric Administration.

OECD. (2020). Climate risks and resilience. Organisation for Economic Co-operation and Development.

Pettit, T. J., Fiksel, J., & Croxton, K. L. (2013). Ensuring supply chain resilience. International Journal of Physical Distribution & Logistics Management, 43(1), 46–64. https://doi.org/10.1108/09600031311293237

Queiroz, M. M., Ivanov, D., Dolgui, A., & Wamba, S. (2020). Impacts of COVID-19 on supply chains. International Journal of Production Economics, 227, 107536. https://doi.org/10.1016/j.ijpe.2020.107536

Ruíz, M. A., et al. (2024). Climate risk in Panama. Climate, 12(7), 104. https://doi.org/10.3390/cli12070104

Sampieri, R. H., et al. (2014). Research methodology. McGraw-Hill.

Sawik, B. (2024). Optimizing last-mile delivery. Logistics, 8(2), 52. https://doi.org/10.3390/logistics8020052

Sheffi, Y. (2015). The power of resilience. MIT Press.

Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2014). Designing and managing the supply chain. McGraw-Hill.

Tang, C. S. (2006). Robust strategies for supply chain disruptions. Management Science, 52(5), 639–657. https://doi.org/10.1287/mnsc.1060.0560

Ulloa, A., et al. (2024). Riesgo climático en transporte urbano en Panamá. Banco Interamericano de Desarrollo. https://doi.org/10.18235/0013187

WHO. (2022). Occupational safety and health in a changing climate. World Health Organization.