当你手上有一份招股说明书的草稿，你会采用什么方式复核各类表格中需要计算的数字呢？

有的人可能会选择使用word插件来复核加总结果，但这种方式智能复核加法，对于减法就无能为力了。

有的人可能会选择打开一张excel表格，将word中需要校验的表格复制在excel中，利用excel函数进行校验。

这些都不失为有效的方法，但如果需要快速、准确地复核几份招股说明书、债券募集说明书、年报等文档时，恐怕大家手速再快也会应接不暇了。

在计算机技术蓬勃发展的今天，你是否想过，曾经侵占你过多时间的这项机械劳动，可以交由人工智能代劳呢？

达观数据最近新推出的财债通产品专门为券商、银行等机构提供AI智能解决方案，专攻招股说明书、债券募集说明书、各类年报、财务报表、银行流水的审核、抽取与解析，并从财务信息披露、财务逻辑核查、发行信息披露、文字合规与合理性等方面进行全方位、高准度的文档处理，旨在准确高效地减少从业人员重复劳动，提升工作效率。

今天，我们重点介绍财债通产品财务一致性审核中的重磅功能——单表格计算审查。

财务逻辑关系审查

招股说明书、债券募集说明书等报告中会涉及大量财务信息，因此内嵌财务逻辑的再计算与审核是财债通产品单表格计算审查功能的重要方面之一。

财务主表信息计算

如：合并口径/单体口径中流动资产合计、非流动资产合计、资产总计、流动负债合计、非流动负债合计、负债总计、归属于母公司股东的所有者权益合计、所有者权益总计、负债及所有者权益合计、营业利润、利润总额、净利润、经营活动/投资活动/筹资活动现金流入与流出小计、经营活动/投资活动/筹资活动现金流量净额、期末现金及现金等价物余额等。

财务报表附注信息计算

如：应收账款与其他应收款的账面价值计算、存货的账面价值计算、固定资产账面余额计算、无形资产账面余额计算、商誉账面价值计算等。

非固定公式的表格计算审查

报告中也同样涉及大量非固定公式的表格计算，加总项无法穷举、表格格式多样，计算难度很大，例如：

不是所有的项目都需要加总

例如，上图中的合计项加总的项目为“土地使用权”和“软件”两项，“其中：铁路路基用地”的费用需要在合计计算时进行自动去重。

合计项在上，明细在下

例如，在上图的表格中，合计项“营业收入”在最上方，营业收入=木浆+铜版纸+其他，系统在自动计算时，需要识别出加总核对的具体项目位置。

跳项加总

例如，在上图中，需要对表格内容中的1/2/3/4项进行加总，处理过程中，系统需要自动识别与加总项目无关的内容，进行跳项处理。

横向加总

例如在上图中，加总的项目顺序为横向，系统需要根据表格的不同，自动识别出哪些数据进行加总。

这类表格的计算逻辑与格式样式与券商拿到的中介机构提供的第三方文档的格式及报告撰写者的个人风格有很大关联，样式无法穷举，利用单纯累积格式写正则的方法无法解决全部问题，这也是充分体现AI功力的地方。

达观数据财债通采用统计学与AI自主学习的方法，让计算机通过深度学习技术了解各类表格的格式与计算方法，轻松地找出报告中的各类计算错误，并通过计算方法展现、建议值提供等方式，帮助用户加强人机交互能力，以多快好准地实现报告复核的目标。

财债通对表格内容的准确定位得益于其在产品中设计并实现了一种基于OpenCV和Faster R-CNN深度学习模型的表格抽取算法。 通过使用OpenCV方法识别有线条表格识别、使用深度学习方法识别一般表格，并将二者的识别结果进行融合。

这种方法在CCKS主办方的测试集上达到接近100%的准确率，且目前财债通已在中信建投、兴业银行、招商证券、深交所等金融机构的债券募集说明书和年报审核等场景中发挥作用。

在测试中我们发现，几乎每份公开发表的招股书或募集说明书中都存在或多或少的单表格计算错误。在上万份数据的校验与测试中，财债通能够找到绝大部分的单表格计算错误，并通过人机交互的方式，报告审核的准确率得到了大幅度的提升。