历史资产负债表数据的数字化：实践者指南
计算机视觉与模式识别
2023-09-21 v2 综合经济学
经济学
摘要
本文讨论了如何通过用前处理和后处理方法增强光学字符识别（OCR）引擎，来成功数字化大规模历史微观数据。尽管由于机器学习的进步，OCR软件近年来有了显著改进，但现成的OCR应用仍存在较高的错误率，限制了其在精确提取结构化信息方面的应用。然而，用额外方法补充OCR可以大幅提高成功率，使其成为经济史学家强大且具成本效益的工具。本文展示了这些方法并解释了它们为何有用。我们将其应用于两个大型资产负债表数据集，并介绍了quipucamayoc，一个将这些方法包含在统一框架中的Python包。
引用
@article{arxiv.2204.00052,
title = {Digitizing Historical Balance Sheet Data: A Practitioner's Guide},
author = {Sergio Correia and Stephan Luck},
journal= {arXiv preprint arXiv:2204.00052},
year = {2023}
}
备注
For associated Github repository, see https://github.com/sergiocorreia/quipucamayoc/