预算会计的特征范文

前言：我们精心挑选了数篇优质预算会计的特征文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

关键词:车牌定位; 边缘检测; 几何特征; 颜色特征

中图分类号:TP391.41文献标识码:A

文章编号:1004-373X(2010)08-0100-04

Fast Location Algrorithm of Multi Licence Plates Based on Hybrid-feature

YUE Peng1, PENG Jin-ye1, LI Da-xiang1, REN Xuan2

(1.College of Information Science and Technology, Northwest University, Xi’an 710127, China;

2.Highways Management Group, Xi’an 710018, China)

Abstract:Aimming atthe problems of large computation and long-time location for the license plate location, a location method based on hybridfeature that contains the geometry and color is proposed. The histogram equalization pre-processing is made on a license plate image, the candidate district is determined with improved edge detection and mathematical morphology, and thenthe interfered district is excluded by the feature of geometry and color. At last, the location effects under various environment are compared. Besides, the corresponding algorithm and implementation results are provided.

Keywords:license plate location; edge detection; geometrical feature; color feature

车牌定位是车牌自动识别系统中的关键技术,其出发点是通过车牌区域的特征来判断牌照。该技术发展至今已有几十年的历史,可谓相对比较成熟,但很多常用的车牌定位方法都离不开对车牌边缘的提取,不管是灰度边缘检测,还是彩色边缘检测都存在计算量大,定位时间长的缺点[1]。因此,在未找到更好、更有效的定位方法之前,提高边缘检测的速度,缩短定位时间已成为改善现有车牌定位系统亟待解决的问题。这里提出一种改进的基于Sobel算子的边缘检测算法,并利用车牌的几何和颜色特征对其精确定位,在实现快速定位的同时,可将其应用于复杂背景的多车牌定位环境中,具有一定的先进性。

1 算法介绍及流程

人们获得的图像大多是公路探头或是用数码产品拍摄的,经过预处理后便于后续工作的进行。该方案主要由“生成”和“去伪”两个模块构成,如图1所示。

2 图像预处理

由于捕获的车牌图片多为.bmp和.jpg格式,且由于拍摄环境制约图像经常会曝光不足,使图像模糊,对比度和信噪比较低。为了便于系统后续工作的处理,对图像进行灰度化以及直方图均衡处理[1]。

图1 算法流程图

3 生成候选区域

3.1 边缘检测

该算法采用改进的Sobel算子,其主要思想是大大减少算法中乘法运算的次数,从而提高系统的处理速度。Sobel算子有八个与边界方向对应的模板,每个模板对某种特定边缘方向做出最大响应。所有八个方向中的最大值作为边缘幅度图像的输出[2],其八个模板分别为45°,90°,135°,180°,225°,270°,315°,360°方向[3],如下所示:

И121

000

-1-2-1〗 210

10-1

0-1-2〗 10-1

20-2

10-1〗

模块a 模块b模块c

0-1-2

10-1

210〗-1-2-1

000

121〗-2-10

-101

012〗

模块d模块e模块f

-101

-202

-101〗 012

-101

-2-10〗

模块g模块h

假设图像中某一点Q及其3×3区域的灰度为: q0q1q2

q7qqq3

q6q5q4〗,分别设ai(i=1,2,…,8)为经过Sobel算子第i种模板处理后图像Q点的灰度值,例如采用模板e,则:a5=-q0-2q1-q2+q4+2q5+q6=(q4+q6)-(q0+q2)-2(q5-q1)。

经过处理后,点Q处的灰度值W=max{ai},i=1,2,…,8。根据以上描述,采用Sobel八模板法计算像素点灰度的过程[2],对采用Sobel算子处理图像的计算量进行分析。参照计算a5,应用每一种模板所需的计算量可得,进行加法的次数为t1=5次,进行乘法的次数t2=1次。那么,依据计算点Q的灰度值所需的计算量可得,进行加法的次数为T1=8t1=40次,乘法的次数为T2=8t2=8次。采用Sobel算子八模板处理一幅N×N的图像,依上述方法可推得所需的计算量为进行加法的次数为40N2次,进行乘法的次数为8N2次。

首先该算法去掉Sobel算子八个模板中的中央值,然后按顺时针方向依次提取每个模板因子,再将提取的因子作为循环矩阵PУ囊恍,构成循环矩阵如下所示:

ИP=1210-1-2-10

210-1-2-101

10-1-2-1012

0-1-2-10121

-1-2-101210

-2-101210-1

-101210-1-2

01210-1-2-1〗

对P进行行变换就可以得到AP=B,其中A和BХ直鹞:

ИA=-11000000

0-1100000

00-110000

000-11000

0000-1100

00000-110

000000-11〗

B=1-1-1-1-1111

-1-1-1-11111

-1-1-11111-1

-1-11111-1-1

-11111-1-1-1

1111-1-1-1-1

111-1-1-1-11〗

设C=\T,D=(1/2)\T=\T,有qj(j=0,1,2,…,7),表示图片中3×3像素区域内第j个像素点的灰度值;ai(i=1,2,…,8)表示采用八模板中第i种模板的计算灰度值[4],Ъ扑愕:

ИPC=2D

因为AP=B,Ы岷仙鲜阶换可得:

ИBC=2ADИ

展开并移行可得:

Иr1=0.5(q0+2q1+q2-q4-2q5-q6)=

0.5(q0+q2-q4-q6)+(q1-q5)

r2=r1+(q7+q0-q1-q2)

r3=r2+(q6+q7-q0-q1)

r4=r3+(q5+q6-q7-q0)

r5=r4+(q4+q5-q6-q0)

r6=r5+(q3+q4-q5-q6)

r7=r6+(q2+q3-q4-q5)

r8=r7+(q1+q2-q3-q4)

由以上计算,r1需要进行加法(含减法)的次数为5次,乘法次数为1次。ri(i=2,3,…,8)需要进行加法的次数为7×4=28次,总共需要加法的次数为28+5=33次。用改进的方法处理图像,某点Q的灰度值为W=max{qi}=2max{ai},因为乘2可以用移位算子得到,那么处理一幅N×N图像需要进行的加法运算次数为33×N×N=33N2,乘法运算次数为N2次。

选取适当的阈值th,若像素的新灰度值大于th,则把该点记为边缘点,再按照从上到下,从左到右的顺序对边缘点进行扫描,可发现车灯、车头的散热横栏以及车牌区域的跳变比较突出。

3.2 基于数学形态学的定位

在候选区域确定出来后,下一步骤是根据这些区域提供的位置信息从原图像中分割出可能的牌照子图像,形成候选区域队列,即找到某一区域的任意一点后,将其压入堆栈,进行递归,判断堆栈是否为空,非空则弹出一点作为当前点并进行标号,然后查找左、下、右、上的邻点,若该邻点未曾标记,则继续压入堆栈,如此循环,直至堆栈为空[5,6]。经过数学形态学处理后,图像中有许多连通区域,为了确定车牌区域,把感兴趣的车牌从背景中分离出来,有必要对各个连通区域进行标记,逐一检测并删除伪车牌区域。

4 去除伪车牌区域

4.1 利用车牌的几何特征定位

检查所得矩形区域的长和宽,根据阈值去掉过小的区域。但通常必须保留过大的区域,因为这可能是由牌照和周围车体部分粘连而形成的。利用车牌自身相异于其他区域的几何特征在车牌候选区域中提取真正的车牌[7]。

(1) 候选车牌的尺寸大小和长宽比例;

(2) 候选区域内像素分布关系;

(3) 候选区域在原始图像中的位置。

因为候选区域是在车身的中间,且宽高比大致为140/440=0.318,这里选取[0.30,0.45]作为判断区间,据此几何特征,可以删除伪车牌区域。

4.2 利用车牌颜色特征的定位

通过上述步骤的筛选,已能精确定位对比度适中、字符清晰无磨损的普通车牌,但有时仅靠车牌的几何信息并不能完全排除伪车牌区域,如车身的文字区域、车灯以及双车牌车辆等,故利用车牌的颜色特征可实现车牌的精确定位[8-9]。

因为在通过拍摄得到的车牌图像中,由于车牌新旧、磨损状况、光照强度等众多因素的影响,不同车牌图像很难达到稳定的统一,而HSV色彩模型的高度具有独立性,可以单独考虑车牌的色彩进行判断,这带来了很大的方便。

在车牌定位中,首先选择车牌候选区中心的一块区域进行颜色模型到HSV模型的转换;然后按照区间对颜色进行划分,统计落入区间的像素点数目;再对所选区域进行色彩统计,将像素点进行归类,进行伪车牌删除,最后确定车牌区域[10]。图2所示为利用该方法直接定位成功的实例。图3所示为利用该方法定位并成功去除伪车牌区域的实例。图4所示为利用该方法定位多车牌区域的实例。

图2 直接定位成功的实例

图3 利用该方法定位并成功去除伪车牌区域的实例

图4 利用该方法定位多车牌区域的实例

5 实验结果分析

通过对上述几个应用实例的分析,将该技术普遍应用到实际生活当中。经某小区物业同意,在该小区地下、露天、立体车库以及路口通过不同角度、不同背景、不同光照采集车牌图片400张(晴天和阴雨天各200张)进行定位。采用Visual C++6.0开发工具,并在具有Core(TM)2 Duo CPU,2 GB内存的计算机上实验得到数据,定位准确率达到93.25%,27张定位失败图片,如表1所示。其中,9张由于车牌损伤较大或者字符被污染粘连现象严重;16张由于靠近车库边缘或阴雨天拍摄光线严重不足,无法通过预处理达到定位要求;2张由于是2009年新式武警车牌,车牌几何特征与92式车牌差别较大,导致定位失败。需在后续工作中对此方法进行改进,以提高其适应性。

表1 不同环境下的实验结果分析

拍摄环境拍摄距离/m拍摄角度实验图片数定位成功数实验总数定位成功总数准确率

晴朗

3

水平0°2727

水平斜45°4241

俯向下45°3129

10

水平0°6563

水平斜45°3531

20019195.50%

阴雨

3

水平0°3635

水平斜45°4440

俯向下45°2015

10

水平0°7169

水平斜45°292320018291%

此外,对采用该方法与采用普通Sobel边缘检测算子的计算结果进行了比较,普通Sobel边缘检测算子处理一幅N×N的图像需要进行加法的次数为40N2次,进行乘法的次数为8N2次,运用该方法处理一幅N×N图像需要进行加法运算次数为33N2,乘法运算次数为N2Т巍？杉,在不影响准确率的前提下,运算消耗大大减小,如表2所示(采用相同图片,相同平台环境进行比较)。

表2 改进Sobel算子与普通Sobel算子的比较

边缘提取方法实验图片数定位成功数准确率 /%定位平均耗时 /s

基于普通sobel算子40037393.250.135

基于改进sobel算子40037393.250.088

6 结 语

车牌定位是车辆牌照自动识别系统中的关键和难点,实际图像中噪声、复杂背景等的干扰都会使定位十分困难。本文采用改进的边缘检测算法快速获得图像的边缘,充分利用了车牌的几何特征和车牌的颜色特征排除伪车牌区域,实现车牌的定位。该算法在保证车牌定位可靠性的前提下,具有限制条件少,速度快的优点,并可进行多车牌定位。实验证明,该方法具有很好的定位效果和实用性。

参考文献

[1]冯满堂, 马青玉, 成峰. 基于混合特征的多车牌定位算法[J]. 微计算机信息, 2009, 25(9): 236238. [2]周培德. 计算几何算法分析与设计[M]. 北京: 清华大学出版社, 2008.

[3]王涛, 全书海. 基于改进Sobel算子的车牌定位方法[J]. 微计算机信息, 2008, 24(13): 312314.

[4]LI Gang, ZANG Ruili, LIN Ling. Research on vehicle license plate location based on neural networks[C]. Washington DC: Proceedings of the First International Conference on Innovative Computing, Information and Control, 2006.

[5]郭大波, 陈礼民, 卢朝阳, 等. 基于车牌底色识别的车牌定位方法[J]. 计算机工程与设计, 2003(5): 8187.

[6]李伟, 朱伟良, 孔祥杰, 等. 一种新型的基于数学形态学和颜色特征车牌定位算法[J]. 科技通报, 2009(25): 214219.

[7]SURYANARAYANA P V, MITRA S K, BANERJEE S K, et al. A morphology based approach for car license plate extraction[C]. Chennai: IEEE Indicon 2005 Conference, 2005.

[8]王义兴, 黄凤岗, 韩金玉, 等. 基于颜色搭配与纹理特征的车牌定位方法[J]. 中国图像图形学报, 2009(2): 303308.

第2篇

关键词： 图像分块； Harris?SIFT； 迭代精化； 特征匹配

中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2013）22?0073?03

0 引 言

在图像局部区域提取出的特征如边缘线、角点等称为局部特征。其对仿射、旋转、光照等变化具有不变性。将局部特征应用于图像配准，具有广泛的应用领域，例如图像拼接、运动目标检测、模式识别等。Harris角点作为当前效果最好应且应用最多的角点[1?2]，具有局部特征的若干不变性。利用高斯滤波，Mikolajczyk实现了Harris角点的尺度不变性[3?4]。Lowe于2004年提出完善的SIFT算法[5?6]，为了能够使特征点的匹配测度更准确，对其进行定量化的描述从而生成特征矢量[5?6]。其作为特征点与匹配的桥梁，实现了图像的精确匹配。本文先将原图像分割成子图像块，利用分块阈值避免因图像灰度不均匀造成的角点漏检；结合Harris角点和SIFT定量化数据描述，获得稳定的特征矢量，保证了特征匹配的速度、精度和鲁棒性。仿真验证，这种特征匹配方法能够取得很好的仿真效果。

1 角点检测

1.1 图像分块

图像分块是本文在角点检测前的第一步，目的是为改变整幅图像角点响应单一阈值的影响，在各图像子块中设定分块阈值，使提取的角点分布均匀合理，充分反应图像整体结构[7]。可以选择图像块大小固定和块数固定的方法对图像进行分块。采用子块大小固定的方法，可以按照图像的灰度纹理分布，合理选择子块的大小，保证灰度不同的各子块根据不同阈值合理提取角点。但是，这种方法容易造成越界分块。本文用固定块数的方法，去除上述的越界分块[7]。完成图像分块后，每一个子图像块都有独自的灰度分布和纹理。在1.2节中进行角点响应阈值选择时，采用最大响应值的比例，这样[i]子块的阈值定义为[βRimax]。在每一子图像块中有不同阈值，可以检测出各子块征相对显著的角点，保证了检测的角点充分反应图像整体结构。

1.2 角点提取

高斯尺度空间是应用不同尺度的高斯滤波器对图像进行滤波，获得相应的尺度高斯图像[3]。

高斯核[4]：

判断R在角点邻域内是否为极大值并进行筛选，提取Harris位置空间角点[3]。式（4），式（5）中[TR]为角点响应阈值，本文用自适应阈值[TR=βRmax]，[β]为可以设定的常数，本文仿真取[β=0.2。]在整幅图像中，[Rmax]固定，而图像灰度纹理不同，要使提取的角点分布均匀且合理，必须采用变化的阈值。为此，本文首先对图像进行分块，则第[i]块图像阈值为[TiR=βRimax]，这样就可以应用子块的阈值。最后，进行拉普拉斯响应值[4]计算，判断Harris位置空间角点：

1.3 迭代精化

数字化的图像是作为离散数据来处理的，这样在对响应R判断时[Rmax]可能被拒绝，为使提取的角点收敛到其真值，采用迭代的方法进行处理，由上文得到初始点集[（x，σI）]，进行精化迭代运算[4]：

用上式进行筛选，拒绝不满足式（10）的点；最后若[σ（k+1）I≠σ（k）I]，并且[σ（k+1）I≠σ（k）I]，转到（1）。对于数字化的图像来说，在不同的尺度上进行检测，可能会得到不同的角点位置。通过迭代精化运算，这些不同的位置将逐渐收敛一致。

2 特征矢量及匹配

2.1 角点定量化描述

为了使生成的特征矢量具有旋转不变性，首先要确定角点主方向和辅助方向[8]。计算角点邻域的梯度幅值和方向。

根据幅值统计梯度方向的直方图。在这个局部区域内，距离角点更近的点更能反应图像的结构，因此，在直方图统计时，对其进行高斯加权，使角点附近的点的幅值和方向有较大比例，消除仿射造成的角点不稳定[8]问题。根据划分的区域和方向范围，生成128维的特征向量[5?6，8]。根据区域的不同用高斯函数加权处理，保证角点附近的区域方向具有更大的比重。为增强特征矢量对光照、仿射等变化适应性，对其进行归一化。为增强特征矢量的鉴别性[5?6，8]，截断其中值大于0.2的，重新进行归一化。

2.2 匹配策略

对已有的角点特征矢量，采用双向匹配策略，以欧式距离作为特征向量的相似性测度，对已生成的两个角点特征向量进行匹配。最后，应用RANSAC方法[9?10]去除误匹配，保证角点特征匹配的精度。

3 实验结果与分析

采用256×320实验图像，在Intel Core i5，3.1 GHz CPU，4.0 Gb RAM的PC机上用MATLAB语言程序实现本文方法。对分块阈值在本文方法中对角点检测的影响进行了实验分析，同时对本文提出的分块阈值Harris?SIFT与SIFT算法的匹配性能进行了仿真比较分析。

3.1 分块阈值对角点的影响

无分块阈值的Harris?SIFT算法、本文提出的算法和SIFT算法检测图像特征点分别如图1～图3所示。

图1，图2比较，图1检测到的角点较少，分布不均匀，图2角点均匀合理。可以得出，加入分块阈值，改变了整幅图像的单一阈值[Rmax]，增加子图像块阈值[Rimax]，使角点检测更准确，充分反应图像整体结构。

图2，3比较，图2Harris角点均匀合理，充分反应图像结构。图3特征点随图像灰度纹理变化较大，分布不均，且大都不是角点。

3.2 本文算法与SIFT算法性能比较

通过特征匹配和去除误匹配得到匹配结果如图4，比较本文算法与SIFT算法的配准效果见表1。

由实验结果可见，SIFT算法中DOG算子和卷积用时间长。本文算法先检测多尺度Harris角点，计算量小，提取特征点数相对较少，减少了描述角点消耗的时间，图像配准速度提高了19.2%。加入分块阈值，使本文提出的角点均匀合理，配准精度比SIFT算法提高了1.4%。

4 结 语

经过Matlab仿真验证，分块阈值改变了图像角点响应单一阈值的影响，使本文算法中的角点检测在图像中分布合理，充分反应图像的整体结构。并且本文算法结合了Harris角点和SIFT对图像局部结构特征定量化数据描述的互补优势，既减少了配准时间，又提高了配准的精度。但是本文算法比较SIFT，也没有解决角点受仿射变化的影响，下一步需要研究Harris角点的仿射不变性。

参考文献

[1] SCHIMID C， MOHR R， BAUCKHAGE C. Evaluation of interest point detectors [J] International Journal on Computer Vision， 2004， 37（2）： 151?172.

[2] HARRIS C， STEPHENS M. A combined corner and edge detector [C]// Proceedings of 4th Alvey Vision Conference. UK： University of Manchester， 1988： 147?151.

[3] MIKOLAJCZYK K. Scale & affine invariant interest point detectors [J]. International Journal on Computer Vision， 2004， 60（1）： 63?86.

[4] LINDEBERG T. Scale?space theory in computer vision [M]. Stockholm， Sweden： Kluwer Aademic Publishers， 1994.

[5] LOWE D G. Distinctive image features from scale?invariant keypoints [J]. International Journal of Computer Vision， 2004， 60（2）： 91?110.

[6] LOWE D G. Object recognition from local scale?invariant features [C]// Proceedings of the International Conference on Computer Vision. Kerkyra； ICCV， 1999， 2： 1150?1157.

[7] 张登荣，刘辅兵，俞乐.基于Harris操作数的遥感影像自适应特征提取方法[J].国土资源遥感，2006（2）：60?63.

[8] LI Can?lin， MA Li?zhuang. A new framework for feature descriptor based on SIFT [J]. Patter Recognition Letters， 2009， 30（1）： 544?557.

第3篇

关键词：广西；会计信息质量；预算管理

本文为梧州学院科研项目（2008C003）、广西教育厅科研课题（200911LX432）阶段性成果

中图分类号：F23 文献标识码：A

收录日期：2012年3月5日

随着预算管理在企业管理控制中日趋重要，如何使企业预算管理持续高效配置资源是企业必须解决的难题，会计信息是企业资源配置的基础与结果，会计信息质量将影响着企业预算管理模式选择。本文将重点分析会计信息质量与企业预算管理的互动机理，以期有益于提高企业预算管理效率。

一、会计信息质量特征与企业预算管理分类

（一）企业会计信息质量特征。在“决策有用”的会计目标下，最主要的会计信息质量特征是相关性与可靠性。可靠性是指“企业应当以实际发生的交易或事项为依据进行会计确认、计量和报告，如实反映符合确认和计量要求的各项会计要素和其他相关信息，保证会计信息真实可靠，内容完整”，可靠性具有立足于实际交易或事项、如实反映、真实性与完整性四个特征，如实反映是可靠性的核心。相关性是“与经济决策相关的信息，应有助于财务会计报告使用者对过去、现在或未来的情况做出评价或预测”。FASB（2006）对相关信息理解为“为了帮助使用者在决策中，有助于他们评估过去、现在或未来的交易或事项中关于现金流量或确认或改进他们原来的估计而提供导致差异的能力”（葛家澍，2007）。各国比较认同会计信息具有可靠性与相关性两个基本质量特征，因此本文主要考虑会计信息可靠性与相关性两个质量特征。

（二）按基本功能划分企业预算管理。著名会计学教授Zimmerman（2000）将预算管理的基本功能归纳为：预算是一项可以对公司中各种活动进行协调的决策制定工具，也是对行为实施控制的一种工具。蔡剑辉（2009）认为传统预算担负计划协调和资源等决策职能，又作为业绩评价和薪酬激励的标准，成为控制系统的一部分，并从组织角度看提高预算决策能力往往以牺牲预算控制效率为代价。在此基础上，佟成生（2011）确定了预算具体功能与基本功能的关系，认为决策功能包括沟通、协调、计划及资源配置等具体功能，控制功能包括业绩评价、经营控制和激励等具体功能，企业如果不恰当使用预算会导致预算两大基本职能冲突，指出企业应根据具体环境发挥相应的预算功能才能使企业业绩更好。企业预算管理具有控制与决策两大基本功能是一个没有争议的研究成果，因此本文将企业预算管理按照预算基本功能划分为控制型预算管理与决策型预算管理，由于预算实务中控制与决策两大基本功能是很难界定的，也就是说企业预算管理不可能只履行单一功能，而是同时具有双层功能。文中控制型预算管理是指以控制功能为主、决策功能为辅的预算管理，决策型预算管理是指以决策功能为主、控制功能为辅的预算管理。

会计信息具有相关性与可靠性两大质量特征，预算管理具有控制与决策两大基本功能，我们认为这不是一种偶合，两者之间存在一定的逻辑关系。

二、会计信息质量与预算管理互动机理

会计信息质量是企业资源配置前后的状态反映，预算管理是企业资源配置的核心工具，只有企业预算管理配置资源的效率能客观反映出来，高效的预算管理模式才能不断优化，如果会计信息与预算管理能良性互动，企业才能高效配置资源。高质量的会计信息除了反映预算管理过程与结果，还可以通过减少市场信息不对称来降低投资者面临的逆向选择与道德风险，缩短企业内部过长的委托链，为企业预算管理塑造良好环境。企业预算管理过程中形成一部分预测信息将是企业会计信息的重要组成部分，有利于提高会计信息的预测价值性，进一步增强会计信息质量。可以说，会计信息质量与企业预算管理相互制约，可形成均衡的、可持续的互动机理，最终实现高效配置企业资源。会计信息质量与企业预算管理的互动机理见如图1，互动机理只考虑会计信息可靠性与相关性两大基本质量特征，预算管理按照功能划分为控制型预算与决策型预算两类。（图1）

（一）会计信息质量：企业资源配置的起点与归宿点。在企业资源配置过程中，以前年度的会计信息是企业配置资源的基础，企业通过分析以前年度的会计信息、其他相关信息以及预期的影响因素对企业资源实施初始配置（即企业预算），形成的企业预算也就成为企业日后经济活动执行与评价的一个重要标准。同时，会计信息也反映了企业资源实际配置结果，一般企业会计信息质量越高，会计信息越能客观反映企业的资源实际配置结果。因此，我们认为企业会计信息既是企业资源配置的起点，也是企业资源配置的结果。

（二）预算管理：企业资源配置的核心工具。企业资源配置的管理工具有很多，有事前、事中与事后等各种配置工具，而企业预算管理是企业资源配置的核心工具，因为：（1）企业预算管理是一种事前资源配置手段，对企业资源实施的初始配置，符合企业战略，以后企业采取的各种管理控制工具一般只是微调某些环节的资源配置；（2）企业预算管理是一种全面的资源配置手段，既涉及到财务以及非财务方面，又覆盖了企业内部各部门以及企业与相关利益主体之间，还跨越多个会计年度；（3）企业预算管理为其他资源配置工具提供了一个明确的考核标准。

（三）会计信息质量与预算管理互动机制

1、会计信息质量能优化预算管理环境。企业内部的委托关系按层次划分为：部门经理与业务员工、总经理与部门经理、董事会与总经理、股东与董事会、股东与监事会、控股股东与中小股东、债权人与债务人七层委托关系（聂顺江，2010），形成一个自股东至业务员的多层次委托关系聚合体。在每一层委托关系中，人都处于信息优势，而委托人处于信息劣势，有限理性人容易产生逆向选择与道德风险。由于企业委托关系链比较长而复杂，会计信息从产生到传递给高管过程中，在每一层委托关系都可能产生噪音，容易出现“牛鞭效应”，严重时会计信息在传递过程中失真。为了提高会计信息质量，企业将采取两项措施：（1）理顺企业委托链，减少委托层次，从而促使企业组织结构由金字塔形向扁平形转变；（2）增强企业会计信息透明度。为了提高会计信息的透明度，企业将加强信息管理的硬件与软件建设。为了明确各层委托关系中委托人与受托人权、责、利之间的关系，会计信息也就成为明确各层委托关系中委托人与受托人权、责、利关系的工具，会计信息也将凸显可靠性这一质量特征；当企业为了降低企业内部信息不对称，企业提供的会计信息除了要透明的同时，更应保证会计信息可靠性的基础上提高会计信息的相关性，以便使企业各层委托关系中的委托人与人能充分共享高质量的会计信息。可见强调可靠性的会计信息将有利于优化企业内部的委托链；强调相关性的会计信息有利于降低企业会计信息不对称程度，这能为企业预算管理塑造较好的管理环境。

2、预算管理能提高会计信息质量。企业委托关系比较少，一般企业采取扁平形组织结构，在扁平形组织结构中，企业与外部环境接触面比较大，企业内部与外部的信息交换依靠企业所有员工，可以说企业员工最熟悉各个业务终端，企业预算管理也就不得不要求全员参与，才能使得企业预算管理效果更佳，因此企业一般会实施决策型预算管理。相反，企业委托关系比较多，一般企业采取金字塔形组织结构，如果采取全员参与预算管理，预算管理的成本相对较高，预算效率较低，因此企业一般会实施控制型预算管理。企业信息不对称程度比较高的情况下，委托方对受托方进行激励的同时，更加偏重于监督受托方，因此在预算管理过程中，企业一般采取监督色彩比较浓的控制型预算管理。而企业信息不对称程度比较低，委托方与受托方信息共享程度比较高，委托方更加偏重于激励机制建设来激励受托方，因此企业一般采取决策型预算管理。预算管理过程形成预算信息，预算信息是会计信息的组成部分，当企业采取控制型预算管理时，企业预算成为企业经营管理活动权威的评价标准，甚至是唯一的评价标准，此时会计信息必须与预算信息一致程度较高，说明会计信息具有很高的可验证性；当采取决策型预算管理时，由于预算参与程度较高，企业对未来发展趋势把握比较准确，此时的预算信息具有很强的预测性，将有利于增强企业会计信息的预测价值，为会计信息相关主体提供更多的相关信息，凸显企业会计信息的相关性。

3、会计信息质量与预算管理互动路径选择。会计信息质量特征的变迁促进企业预算管理模式的改进，预算管理模式的改进进一步固化变迁后的会计信息质量特征。结合会计信息质量与预算管理模式的特征，会计信息质量与预算管理互动的支撑点是资源配置效率，可靠性会计信息有利于实施控制型预算管理，相关性会计信息有利于实施决策型预算管理，因此会计信息与预算管理互动路径主要有两种选择：（1）可靠性会计信息-控制型预算管理；（2）相关性会计信息-决策型预算管理。

三、小结与建议

会计信息质量与企业预算管理功能相互制约，形成均衡的、可持续的互动机理，凸显可靠性会计信息与控制型预算匹配，凸显相关性会计信息与决策型预算匹配。会计信息是企业资源配置的出发点与归宿点，而预算管理是企业资源初始配置的核心工具，会计信息质量与预算管理都服务于企业资源高效配置这一终极目标，企业要高效配置资源须充分利用会计信息质量与预算管理的互动机制。

主要参考文献：

[1]蔡剑辉.预算的职能冲突与协调对策研究[J].会计研究，2009.12.

[2]佟成生，潘飞，吴俊.企业预算管理的功能：决策，抑或控制[J].会计研究，2011.5.