财务报表识别：难点在科目映射，不在识别率

报表识别项目的预算与返工，几乎全部发生在科目映射与例外处理上，而不是字符识别上。供应商演示用一份扫描质量良好、格式标准的报表给出很高的识别率，这个数字是真实的，但它衡量的是最浅的一层。交付现场要处理的是：同一科目在不同被投企业报表里叫四个名字、行次被手工调整过、母公司口径与合并口径同时上传、单位在千元与万元之间不一致。识别率决定项目能不能开始，映射表决定项目能不能结束。

识别率有三个层次，验收要签在最深那层

第一层是字符级：单个数字与文本是否识别正确，这是演示测量的对象。第二层是字段级：资产负债表、利润表、现金流量表的规定栏目是否落到系统对应字段，包含行次错位与漏行。第三层是指标级：由这些字段算出的经营指标（现金储备、有息负债、毛利率、应收周转）是否与人工结果一致，且能追溯到原页原区域。

三层之间不是包含关系而是转换关系：字符全对，字段可能因为表格线缺失而串行；字段全对，指标可能因为科目映射错到一个「合理但不同口径」的栏目而整体偏离。因此验收条款要写成第三层的口径——按指标级准确率抽样复算，抽样必须覆盖非标准格式（图片型 PDF、手工改过的 Excel、多币种报表），并明确分母是「报表期 × 被投企业」而不是「字段数」。

科目映射的四类难点

难点	现场表现	处理方式	验收方式
命名差异	同一科目四种叫法，行业会计制度与会计准则用词不同	映射表按科目族维护，一个目标字段对应多来源别名并记录依据	随机抽取历史报表，人工核对映射结果
口径差异	母公司报表与合并报表混传，含与不含子公司两套数	报表实体、合并范围、口径版本作为必填维度，不允许默认值	同一企业两类报表并存时的指标计算结果可区分
结构漂移	行次调整、新增自制行、列顺序变化	以科目语义定位而非坐标定位，保留版式快照	引入改版式样张后不需重训即可采集
单位与币种	千元、万元、元混用；外币报表与本位币混用	单位与币种独立字段并做量级校验，异常挂人工确认	跨期量级跳变能定位到单位字段而非识别错误

映射表的建设主体是甲方而不是供应商。理由很直接：科目语义由被投企业的行业与会计政策决定，只有长期做投后采集的人知道「研发费用」在哪家企业里被拆成了两行。供应商能提供的是映射编辑工具与例外处理工作台，替代不了判断。

校验层比识别层更早发现问题

三层校验按顺序做：勾稽等式检查（资产等于负债加权益、利润表与权益变动衔接、现金流量表期末与货币资金一致）；跨期连续性检查（同一企业同一科目的本期期初等于上期期末，超出容差即挂异常）；口径漂移检查（映射命中记录的变化率，突然升高说明有企业换了报表模板）。

这三层都不依赖模型，实现成本低，且能拦住最贵的一类错误——识别得「看起来很合理」的数。识别错误会被人工发现，口径漂移不会：它每期都自洽，直到某次横向比较或估值调整时暴露。梓川把报表识别列为首个公开 AI 场景，工程重心正落在这一层：多格式报表收敛进同一张口径表（能力说明见AI 智能体与智能风控）。

上线前的可执行清单

• 先出科目口径表：目标字段、来源别名、口径依据、责任人，签字后作为映射基线（建设方法见数据治理与指标体系）。
• 收集 3 家以上被投企业的真实历史报表，覆盖图片型、Excel 手工改、多币种三种形态，作为验收样本。
• 定义三层准确率各自的抽样方法与责任人，合同中只签指标级。
• 设置人工确认阈值：置信度低于阈值或校验未通过的记录进入待办，不进报表。
• 保留每期的原始文件、识别结果与人工修正记录，修正原因写成枚举项而不是自由文本。
• 明确例外处理时效：报送季内待办积压的上限与升级路径。
• 每季度做一次映射命中变化率复盘，作为口径维护的例行输入。

什么时候不建议引入识别能力

三种情形。第一，被投企业数量少且每期报表种类有限，人工录入在两人日内可完成：识别系统的建设与维护成本回不来。第二，科目口径表尚未确定：此时上线，模型会把一个未经确认的映射稳定地执行下去，后期需要整体重算，这与「先定口径再谈功能」是同一个错误在 AI 场景上的复现（选型判断见投后管理指标）。第三，被投企业只提供纸质件且扫描质量不可控：真正的瓶颈在数据采集协议，先把报送义务与电子格式写进投后管理制度，再谈识别。

报表识别的收益不在把纸质变成数字，而在把多口径变成可比。识别率是入场券，映射表与校验层才决定这项能力在第二年是否还活着。