This article explores the development of a comprehensive sustainable development strategy for the chemical company, GRASSMART LLC, based on the integration of the circular economy and digitalization. Based on the research findings, a strategy comprising three priorities was developed and substantiated, a linear regression equation was constructed for forecasting net profit, a forecast of economic indicators for 2026–2028 was prepared, and an operational plan was compiled. The relevance of this article lies in the need for the systematic implementation of ESG principles by Russian chemical companies in the context of sanctions restrictions and the transition to national standards, while existing approaches are fragmented and do not provide quantitative justification for their effectiveness. The scientific novelty stems from the fact that a hypothesis was put forward and proven regarding the forecast of the company's net profit when using a strategy to ensure sustainable development based on ESG principles, based on the Random Forest machine learning model (ML "Random Forest Regression") and multivariate linear regression. The forecast showed that with an investment of 17 million rubles, The payback period is 1.2–1.5 years, and the ROI over three years reaches 41.7%. Based on data diagnostics, a SWOT model, and correlation analysis, the study identified three strategic development areas, which formed the core of the proposed strategy. These priorities include the implementation of circular models, closed loops, industrial symbiosis, the implementation of "green" digitalization of processes using IoT and AI while minimizing the environmental footprint of the IT infrastructure itself, and the development of a transparent ESG reporting system based on automated data collection. The following research methods were used in writing this article: theoretical, analytical, SWOT analysis, the Random Forest Regression machine learning model, and multivariate linear regression. The proposed model is of practical significance because it can be adapted to other industrial enterprises in Russia, while the operational plan implements the required transformation.
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.
[Полный текст статьи отсутствует в исходных данных. Необходимо добавить текст из PDF или другого источника.]