摘要

最高审计机构（SAIs）被视为发展中国家反腐败工作的重要组成部分。这些机构审查政府预算并在公开的审计报告中报告财政差异。这些文件包含有关预算差异、缺失资源甚至欺诈和腐败的宝贵信息。现有关于反腐败工作的研究依赖于国家级SAIs发布的信息，而大多忽略了地方SAIs的审计报告，因为这些信息未以可访问的格式发布。

本文收集了墨西哥某州SAI公开的审计报告，并构建了一个从市政预算中提取差异金额的流程。通过光学字符识别（OCR）将扫描文档转换为机器可读文本，然后训练分类模型识别包含相关信息的段落。从相关段落中，通过开发命名实体识别器自动提取预算差异的金额。

方法

1. 文档收集与OCR处理：使用网络爬虫下载审计报告，并通过OCR将扫描的PDF转换为文本。
2. 文本分类：将文档拆分为段落，训练逻辑回归模型区分相关与非相关段落。
3. 命名实体识别（NER）：从相关段落中提取“pliegos de observaciones”（预算差异）及其金额。

结果

流程最终生成包含125个观测值的数据集，涵盖18个市政当局8年间的审计差异数据。分析表明，差异金额平均占市政预算的4%，且前一年的差异对后续年份有显著正向影响。

政策意义

该方法为改革者和政策制定者提供了详细的市政财政数据，有助于追踪和管理财政违规行为。技术流程可推广至其他语言和上下文环境中的审计报告。

技术架构

• OCR工具：textract和tesseract
• 文本分类：基于Prodigy标注工具训练的模型（F1分数0.91）
• NER模型：使用Spacy训练（F1分数0.93）

结论

通过自然语言处理技术，本文实现了从非结构化审计报告中自动化提取财政数据，为反腐败研究和政策制定提供了新的数据支持。