Архив статей

РАЗРАБОТКА СТРАТЕГИИ УСТОЙЧИВОГО РАЗВИТИЯ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРЕДПРИЯТИЯ ХИМИЧЕСКОЙ ОТРАСЛИ (2026)

Статья посвящена разработке комплексной стратегии устойчивого развития для предприятия химической отрасли ООО «ГРАССМАРТ» на основе объединения циркулярной экономики и цифровизации. По итогам исследования разработана и обоснована стратегия, включающая три приоритета, построено уравнение линейной регрессии для прогнозирования чистой прибыли, выполнен прогноз экономических показателей на 2026–2028 гг. и составлен операционный план. Актуальность обусловлена необходимостью системного внедрения ESG-принципов российскими химическими предприятиями в условиях санкционных ограничений и перехода к национальным стандартам, при этом существующие подходы фрагментарны и не дают количественных обоснований эффективности. Научная новизна обусловлена тем, что была выдвинута и доказана гипотеза касательно получения прогноза чистой прибыли компании при использовании стратегии в целях обеспечения устойчивого развития на ESG-принципах, на основе использования модели машинного обучения «Случайный лес» (ML “Random Forest Regression”), а также многофакторной линейной регрессии. Прогноз показал, что при инвестициях 17 млн руб. срок окупаемости составляет 1,2–1,5 года, а ROI за три года достигает 41,7%. В ходе исследования на основе диагностики данных, SWOT-модели и корреляционного анализа были выделены три стратегических направления развития, которые сформировали ядро предложенной стратегии, имеющей среди приоритетов следующие цели: внедрение циркулярных моделей, замкнутые циклы, промышленный симбиоз, реализация «зелёной» цифровизации процессов с помощью IoT и искусственного интеллекта при минимизации экологического следа самой ИТ-инфраструктуры, а также построение системы прозрачной ESG-отчётности на основе автоматизированного сбора данных. При написании статьи использовались такие методы исследования, как: теоретический, аналитический, SWOT-анализ, модель машинного обучения «Случайный лес» (Machin Learning “Random Forest Regression”), а также многофакторная линейная регрессия. Практическая значимость состоит в том, что предложенная модель может быть адаптирована для других промышленных предприятий России, при этом операционный план требует трансформации.