English version

budget_uni_cn（Budget Uni CN）正在整理中国高校年度财政预算、决算和相关经费数据。当前重点是爬取与核验 教育部直属高校 2013-2026 年财政预算、决算等公开材料，并把官网来源、第三方年度统计图、抽取脚本和已校验 CSV 放在一个便于复查和二次开发的仓库里。

• 研究范围：优先覆盖教育部直属高校 2013-2026 年预算、决算、收入、支出、财政拨款等公开财务口径。
• 现有数据来源：学校官网/信息公开网/财务处等官方 PDF 或 HTML，以及每年第三方汇总统计图。
• 官方来源进展：目前已爬取并抽取了大部分 C9 高校的官方预算/决算材料；其他教育部直属高校仍在补全。
• 第三方来源进展：已保留 2016-2026 年左右的年度统计图，并抽取为 data/processed/ministry_university_budget.csv 等表。
• 当前推荐使用：如果只想直接分析，先看 data/processed/；如果要复核来源，再看 data/raw/official_sources.csv 和 Release 中的官方 PDF 包。

• 补全教育部直属高校 2013-2026 年预算与决算官方来源。
• 区分并规范 budget、final_account、income_total、current_year_income、expense_total、fiscal_appropriation_income 等不同口径。
• 扩展官方来源抽取范围：从当前大部分 C9 高校，逐步覆盖更多教育部直属高校。
• 对第三方统计图 OCR 结果做逐年人工校验，并标记不能作为官方值使用的 fallback 行。
• 增加每条 processed 数据到原始 PDF/HTML、页码、表名、指标名的可追溯链路。
• 增加更多覆盖率报告，明确哪些学校/年份已有官方来源、哪些只有第三方数据、哪些仍缺失。

最适合直接使用的是：

data/processed/ministry_university_budget.csv
data/processed/ministry_university_final_accounts.csv
data/processed/ministry_university_financial_table.csv
data/processed/c9_budget_official_preferred.csv
data/processed/c9_budget_growth_official_preferred.csv
data/processed/c9_budget_cagr_official_preferred.csv

其中 c9_budget_official_preferred.csv 优先使用官方 PDF/HTML 抽取值；如果某个学校-年份暂无官方值，才回退到旧第三方 OCR 数据。

Budget Uni CN (budget_uni_cn) is an open dataset and extraction workflow for Chinese university budget and final-account disclosures. The current work focuses on Ministry of Education affiliated universities from 2013 to 2026, using official university disclosure pages/PDFs and legacy third-party yearly summary charts.

Official-source extraction currently covers most C9 universities, while broader MOE-affiliated university coverage is still in progress. Reviewed CSVs and analysis figures are kept in Git; large raw official PDFs and the interim extraction cache are distributed through GitHub Releases.

budget_uni_cn/
  data/
    raw/
      images/                  # 第三方年度统计图，保留用于追溯 OCR
      official_sources.csv      # 官方来源注册表，核心溯源索引
      official/                 # 官方 PDF/页面的本地占位；大 PDF 不进 Git
      third_party/              # 第三方来源备注
      external/                 # 宏观或横向比较来源
    interim/                    # OCR/PDF/table 候选；可再生成，不进 Git
    processed/                  # 已校验 CSV、schema、报告和图表
  docs/
    prompts/                    # 抽取任务提示词和协作记录
  notebooks/                    # 探索分析
  scripts/                      # 发现、下载、抽取、清洗、绘图、打包脚本

大文件不放入 Git 历史。目前 Release 包含：

budget_uni_cn-raw-official-pdfs-2026-05-07.zip
budget_uni_cn-interim-cache-2026-05-07.zip
budget_uni_cn-release-manifest-2026-05-07.csv
sha256sums-2026-05-07.txt

Release 地址：

https://github.com/soundadam/budget_uni_cn/releases/tag/raw-2026-05-07

source /Users/adam/.venvs/dev/.venv/bin/activate
python scripts/build_c9_official_preferred.py

检查 C9 官方来源和抽取覆盖：

source /Users/adam/.venvs/dev/.venv/bin/activate
python scripts/report_official_source_coverage.py

重新生成 Release assets：

source /Users/adam/.venvs/dev/.venv/bin/activate
python scripts/build_release_assets.py --date 2026-05-07

主预算表：

data/processed/ministry_university_budget.csv

关键字段：

C9 官方优先表额外包含：

更完整的字段定义见：

data/processed/schema.md

1. 优先使用官方 PDF/HTML。
2. 预算和决算必须分表或分字段保存。
3. 年度预算、收入总计、本年收入、支出、财政拨款等指标不能混成一个时间序列。
4. 第三方 OCR 只能作为 fallback 或发现线索。
5. 派生数据应保留 source_url、source_type、metric_code 和 notes。

C9 增速图使用 symlog y 轴显示同比增速。这样可以保留负增长，同时让小增速和异常大增速都可读。当前线性区间是 -5% 到 5%，并启用了 y 轴小刻度。

CAGR 结果在：

data/processed/c9_budget_cagr_official_preferred.csv

CAGR 适合做长期趋势概览，但不能替代年度同比；年度同比更适合识别政策冲击、口径跳变、缺失值和单年异常。

更多脚本说明见 scripts/README.md。

If you use this repository, cite it and preserve source fields in derived work:

Adam. Budget Uni CN: China University Budget Dataset (budget_uni_cn). 2026.

Code is released under the MIT License. Data rows compiled by this project are intended for reuse with attribution; original source PDFs, pages, and third-party images remain subject to their original publishers' rights and terms.