В статье проведен сравнительный анализ итогов Всероссийской сельскохозяйственной переписи 2006 и 2016 гг. В результате отмечается сокращение числа сельхозтоваропроизводителей, снижение размеров сельскохозяйственных угодий и техники в организациях. На этом фоне виден рост концентрации производства как в растениеводстве, так и в животноводстве. Были построены модели машинного обучения для классификации организаций по получению субсидий с использованием библиотек Python. Точность построенных моделей составила до 86 %, что доказывает возможности их использования. В перспективе применение методов машинного обучения позволит сократить число показателей ВСХП и с высокой точностью классифицировать организации по качественным признакам.

В статье описываются этапы и результаты многомерной классификации личных подсобных хозяйств (ЛПХ) по данным Всероссийской сельскохозяйственной переписи 2016 г. (ВСХП-2016). Указанная классификация была проведена на основе четырех подготовленных наборов исходных данных, два из которых представляют собой синтетические показатели в виде многомерных средних, и реализована с помощью средств языка программирования Python, включая библиотеку skit-learn для проведения кластеризации и библиотеку matplotlib для графической визуализации полученного разбиения домохозяйств на однородные группы. Исходные данные нормализуются методом L2 Normalization, также известным как Spatial Sign Preprocessing. Кластерный анализ осуществляется методом k-средних на основе алгоритма Ллойда (Lloyd algorithm), число кластеров определяется с помощью коэффициента Silhouette Coefficient. Результаты визуализируются посредством столбчатых диаграмм, а также двумерных и трехмерных точечных диаграмм.