小微企業借貸時間成本與違約風險
——基于P2P網絡借貸

李 鑫 田秀娟

（對外經濟貿易大學金融學院，北京 100029）

小微企業是我國最具活力的企業族群，同時也是解決就業的主力軍。然而小微企業融資難是一個長期存在的熱點問題。由于信息不對稱、金融制度等原因，傳統金融機構在小微企業融資過程中存在服務缺位、產品缺失、價格不合理等問題，制約了小微企業的長足發展。然而，這為互聯網金融的發展提供了良好的契機。互聯網金融的加入更加有效地使資金脫虛向實，緩解了小微企業融資難、融資貴的問題，其中尤以P2P網絡借貸（Peer-to-peer Network Lending）深受廣大小微企業青睞。自2007年從國外引入P2P網絡借貸平臺模式以來，P2P網絡借貸在我國蓬勃發展，迅速形成了一定的規模，豐富了金融產品供給，從資產端和負債端盤活了資金。但是P2P網絡借貸平臺在經營過程中也存在著征信不足、違約率較高等問題，在一定程度上制約著網絡借貸平臺的發展。為此，加強網絡借貸平臺的信用風險管理勢在必行，相關部門于2016年出臺了《網絡借貸信息中介機構業務活動管理暫行辦法》，從政策和制度層面對網絡借貸平臺的信用風險予以監督和控制，從而推動我國信用體系的建設［1］。

一、問題的提出

作為傳統金融的補充，以P2P網絡借貸為代表的互聯網金融憑借其高效、便利的優勢迅速成為小微企業融資的重要渠道之一。互聯網金融除了改善金融機構的多樣化，很大程度上彌補了資金供給的缺口，緩解了對小微企業的信貸配給壓力［2-3］。與此同時，互聯網金融以更低的成本提高經濟資源的配置效率來促進經濟發展，這也將產生巨大的社會效益［4］。以互聯網為媒介的資金融通成本是融資效率的重要體現［5］，主要包括資金成本和時間成本兩個方面。此處的資金成本即借款利率，時間成本是指借款人在P2P平臺籌集資金所花費的時間，即從訂單發起到訂單生成的時間間隔，也即滿標時間［6］。在2017年6月網貸之家公布的513家P2P平臺中，剔除數據更新不全的15家平臺，剔除12家滿標時間為0的平臺，有效數據486家平臺，平均滿標時間為1 583.91分鐘，即借款訂單平均26.40小時滿標，這一融資時間成本相比傳統資金借貸已顯著減少。P2P網絡借貸作為一種正規金融工具的補充，在一定程度上降低了金融媒介的成本，同時也降低了借貸資金的價格［7］，緩解了小微企業融資難問題。

目前，大多數已有研究主要集中在資金成本，即借款利率。借款利率受到很多因素的影響，借款人信用等級越高則借款成本越低［8-9］。線上和線下綜合認證方式也可以降低借款成本，歷史流標次數相反則有正向影響借款成本的作用［10］。同時，由于我國P2P網絡借貸平臺信息披露質量不高，導致網絡借貸中存在顯著的身份歧視，這種身份歧視直接體現在借款利率的高低上，借款人身份等級越高，借款成本越低［11］。另外，借款人的主觀認知也會影響借款資金成本。借款人對于系統性風險的認知錯誤會導致市場利率低于實際利率，這種偏差也由于借款人年齡、性別等個體特征不同而增加了不確定性［12］。P2P網貸借款人中存在的干中學效應使得借款經驗的增加可以顯著降低借款資金成本［13］。在此基礎上，借款利率也反映了借款人的部分違約風險，即借款利率正向影響借款人違約風險［14］，但更大比例的違約風險反映在其他信息中［15］。

相比之下，對于時間成本的研究則較少。國外有些學者分別以平均時間間隔和PLB（最高借款利率-最低借款利率）為因變量建立Probit模型進行分析，發現熟人投標和投標數量對于滿標時間和利率有顯著影響，因此認為存在“羊群效應”，同時還發現貸款人雖然更青睞投標數量多和有朋友投標的借款，但他們的利益也隨之被削減了［16］。國內也有學者認為投資者的風險識別能力可以間接地反映在訂單滿標時間上，借款人風險越高則需要更長的時間成本才能籌措到資金［15］，但該作者以違約風險為解釋變量，以訂單滿標時間為被解釋變量有悖我們一般認為的融資時間順序，即借款訂單生成后才會有發生違約的可能性。再者，利差反向影響著借款訂單滿標時間，即利差越大，借款標的滿標所需時間越短［17］。同時，P2P網絡借貸平臺作為中介其是否參與籌資也顯著影響著借款人的時間成本，但對于不同金額和風險的借款，這種影響沒有顯著變化［6］。

綜上所述，現有研究更多關注融資資金成本以及相關因素對融資時間成本的影響，而較少關注融資時間成本和違約風險之間的關聯關系。因此，本文將采用國內排名前十的某P2P網貸平臺數據實證分析融資時間成本對于小微企業違約風險的識別效應，這一效應可以幫助P2P借貸平臺和放貸人用借貸時間這一最直接的參數來識別借款人的違約風險，同時指出這種識別效應呈現U型非線性關系，進而可以通過這一指標對借款人的違約風險進行重點區分和監管，具有重要的實用價值。

與已有研究相比，本文貢獻可能體現在以下兩個方面：第一，區別于以往采用個人特征信息、信用信息和訂單信息作為解釋變量，觀測其與違約風險的關聯關系，本文創新地引入借貸時間成本，即：訂單滿標時間作為解釋變量，研究借貸時間成本對借款人違約風險的識別效應。相比個人特征信息、信用信息和訂單信息等大多由借款人提供，訂單滿標時間產生于借貸過程本身，其數據更加客觀，有很好的研究價值。第二，在實證分析中，本文不僅研究了借貸時間成本與違約風險的線性關系，同時，基于更多的變量之間存在非線性關系的事實，本文也系統、深入地研究了借貸時間成本與違約風險的非線性關系，分析結果具有較強的實踐意義。

二、研究假設與實證設計

首先，就本文研究的重點借款訂單滿標時間與違約風險的關系給出相關假設，并以此為研究思路進行后續探討；其次，在研究假設的基礎上，明確模型設定。

（一）研究假設

在P2P網絡借貸中，我們假設每位投資者都可以在P2P平臺上搜集信息，例如：借款人的性別、年齡等個體特征和借款期限、借款用途等借款訂單信息，在相同的時間面對相同的訂單信息并對相關訂單借款人的違約概率做出相應判斷，進而做出是否放貸的決策。這一決策的過程通過借款訂單滿標時間體現出來。由于我們對放貸人風險厭惡的假設，對于兩個借款訂單，放貸人總是偏好風險較小的訂單，一方面表現為個體放貸人在風險較小訂單上投資更多的金額，另一方面表現為有更多的放貸人會選擇風險較小訂單進行投資，這都會導致訂單滿標時間減少。因此，我們可以提出如下假設：

假設1：借款訂單滿標時間越長，該借款訂單違約風險越大。

但是，訂單滿標時間和很多因素有關，尤其是訂單金額。假設同一借款人申請了利率、期限相同但金額不同的兩筆借款，一般我們認為金額較大的借款需要更多的時間來籌集，訂單金額越大，訂單風險也越大。因此，我們引入單位借款金額訂單滿標時間，即每融資1元錢所耗費的時間。那么同樣，單位借款金額訂單滿標時間體現的是放貸人對于每放貸1元錢的決策過程的長短，但通過單位借款金額訂單滿標時間來識別訂單風險便不會受到訂單金額大小的影響。因此，我們可以提出如下假設：

假設2：單位借款金額訂單滿標時間越長，該借款訂單違約風險越大，且單位借款金額訂單滿標時間比訂單滿標時間能更好地識別訂單違約風險。

由于非線性的普遍存在，我們也會考慮訂單滿標時間或單位借款金額訂單滿標時間對訂單違約風險是否存在非線性影響。部分學者通過非線性方法驗證了網絡借貸能否成為實現普惠金融的有效途徑［18］；也有學者通過非線性方法檢驗了平臺參與度對借款人融資效率的影響［17］。由于P2P平臺的羊群效應［19］以及放貸人在他人身上學習行為的存在［20］，一旦放貸人中有人識別訂單違約風險作出決策，其他放貸人便會效仿，由于理性投資人的假設，那么隨著訂單融資時間的增加，訂單違約風險會加速增大。因此，我們提出如下假設：

假設3：訂單時間成本對訂單違約風險存在U型非線性識別效應。

（二）模型設定

根據上文，我們可以得到借款訂單滿標時間反映了訂單違約風險的大小，或者在借貸市場均衡時，通過借款訂單滿標時間我們是可以推測到借款人違約概率的，因此，我們可以得到公式（1）：

在信息對稱且市場均衡的情形下，理性的放貸人在合適的時間里可以做出正確的決策。因此，同樣的訂單滿標時間應該預示著同樣的違約風險。但借貸市場最大的特征便是信息不對稱，以小微企業為代表的借款人準確地知道自身的經營情況，而放貸人則無法了解這些關鍵信息。但放貸人可以通過P2P借貸平臺提供的借款人個人特征和借款訂單等信息分析判斷，事實上訂單滿標時間體現的就是放貸人根據平臺提供的已有信息判斷的過程。由于放貸人受到教育、年齡、性別等自身因素的限制，其決策的有效性也會受到局限，也就是說放貸人并不能有效地利用平臺提供的信息作出決策，因此那些平臺提供的但沒有被放貸人有效利用的，除了訂單滿標時間的信息，也蘊含著借款人違約風險的潛在因素。因此，我們得到公式（2）：

如果公式（2）訂單其他信息的系數顯著，說明放貸人受到了自身的局限性未能有效利用平臺提供的借款人信息，也就是說訂單其他信息中還有尚未被放貸人有效挖掘但能識別違約風險的潛在因素。

三、數據及變量描述

（一）數據來源

鑒于網商、私營企業主是典型的小微企業，本文選取了國內P2P綜合排名前十的某平臺2015年5月—2016年6月期間的網商和私營企業主的借款標的作為研究對象，共46 500條數據樣本，其中，申請借款成功的數據樣本為17 389條，剔除訂單滿標時間為0的數據122條，有效數據樣本共17 267條。

本文所用數據分為如下三類：（1）借款人個人特征，包括：借款人年齡、性別、婚姻狀態、學歷、資產狀況、用戶名和所在行業；（2）借款訂單信息，包括：借款金額、借款期限、借款利率、投標人氣、滿標時間以及訂單狀態；（3）借款人信用信息，包括：成功借款次數、逾期次數、逾期金額、信用報告、工作認證、收入認證和實地認證；（4）訂單發生時間所在月份。

（二）變量描述

1.被解釋變量。本文的被解釋變量為借款訂單狀態（Status）。由于訂單成功后才有違約的可能，因此本文選取借款成功的數據樣本。那么，借款成功訂單的狀態共有壞賬（Bad_debt）、逾期（Over_due）和還款進行中（In_progress）以及訂單結束（Closed）四種狀態。本文把借款訂單處于壞賬和逾期兩種狀態定義為違約訂單，status值為1，否則為0。

2.解釋變量。本文關注的解釋變量為訂單滿標時間（Time）。訂單滿標時間表示借款人融資時間成本，被定義為從訂單發起至訂單生成的時間間隔，單位為秒，它反映了放貸人分析、使用P2P平臺信息的過程。訂單滿標時間越短，借款人融資時間成本越小，融資效率越高，反之亦然。

但是，我們知道訂單滿標時間和該筆訂單申請金額的大小是密切相關的，因此，出于穩健性考慮，本文也會引入單位借款金額訂單滿標時間（Pertime）作為解釋變量，表示借款人每融資1元錢所耗費的時間，即Pertime=log（Time/Amount）。那么單位借款金額訂單滿標時間越短，則借款人融資時間成本越小，融資越有效率，反之亦然。由于訂單滿標時間和訂單金額數值較為分散，本文將Time和Amount都取對數。

3.控制變量。現有文獻表明借款人的個人特征信息、信用信息和訂單信息也會影響放貸人和P2P借貸平臺對于借款人違約風險的識別［21-23］，因此，引入個人特征信息（BI）、信用信息（CI）、訂單信息（OI）和訂單發生時間所在月份（T）作為控制變量。

個人特征信息（BI），包括借款人年齡、性別、婚姻狀態、學歷、資產狀況、用戶名和所在行業。借款人性別為虛擬變量，0為女性，1為男性；婚姻狀態有離異、喪偶、已婚和未婚，0為未婚，1為離異或喪偶或已婚；學歷狀態有高中及以下、大專、本科和研究生或以上，0為高中及以下，1為大專，2為本科，3為研究生或以上；資產狀況我們用有無房產和房貸來表示，0為無房產，1為有房產；0為無房貸，1為有房貸；用戶名根據有無漢字分為兩類，0為無漢字，1為有漢字；所在行業共分為20類，為了研究問題的便利，我們將所在20類行業按照三大產業進行劃分①借款人所在行業類別包括：農業、建筑工程、能源業、制造業、IT、餐飲/旅館業、房地產業、公共事業、公益組織、交通運輸業、教育/培訓、金融/法律、零售/批發、媒體/廣告、體育/藝術、醫療/衛生/保健、娛樂服務業、政府機關、其他以及未提供相關信息，共20類。根據三大產業劃分標準，行業類別中的農業為第一產業；建筑工程、能源業和制造業為第二產業，其他類別為第三產業。，0為沒有提交相關信息，1為第一產業，2為第二產業，3為第三產業。

信用信息（CI），包括成功借款次數、逾期次數、逾期金額、信用報告、工作認證、收入認證和實地認證。成功借款次數、逾期次數和逾期金額表明借款人過去的客觀信用記錄；信用報告、工作認證、收入認證和實地認證表明借款人是否提交相關認證資料，0為沒有提交，1為提交。由于借款人都必須進行身份認證，因此本文不予考慮。

訂單信息（OI），包括借款金額、借款期限、借款利率和投標人氣。其中，投標人氣指該訂單中參與投標的放貸人人數。

訂單發生時間所在月份（T），1—14分別對應2015年5月至2016年6月。詳細變量及其說明見表1。

在表1的基礎上，我們將申請借款成功的訂單按照訂單狀態，分為逾期（Over_due）、壞賬（Bad_debt）、還款進行中（In_progress）和完結（Closed）四種，并根據訂單狀態分析了成功訂單的分布情況，詳見表2。

在成功借款的訂單中，處于還款中的訂單數量最多，達到15 369單，逾期訂單最少，為16單。關于訂單平均滿標時間，處于還款中的訂單平均值最大，原因在于現在處于還款中的訂單，將來有可能會成為逾期或者壞賬訂單，也就是說將來可能成為逾期或者壞賬的訂單現在處于按時還款狀態。已還款完畢的訂單平均滿標時間為1 703.80秒，大于逾期和壞賬的平均值1 166.94秒和1 657.34秒，這和我們借款用時越長，違約風險越大的假設不符。關于單位借款金額訂單滿標時間，我們同樣重點關注的是已完結訂單平均值和逾期、壞賬訂單平均值的比較。已完結訂單的單位借款金額訂單平均滿標時間為-2.84，小于逾期和壞賬訂單的平均值-1.79和-1.57，這和我們的假設是相符的。

四、實證結果及分析

在前文數據描述性分析的基礎上，本文就借款時間成本與違約風險進行深入的實證研究并驗證前文的研究假設。

表1 變量說明及其描述性統計

表2 樣本期間成功訂單分布情況

（一）訂單滿標時間（Time）回歸結果及分析

為了回歸模型的穩健性，本文在基礎模型（1）的基礎上，逐漸控制借款人的個人特征信息（BI）、信用信息（CI）和訂單信息（OI），首先觀察訂單滿標時間對違約風險的識別效應。回歸模型如下：

模型中α為截距項，β為訂單滿標時間的系數，β＞0說明訂單滿標時間越長，其違約風險越大，反之亦然；γ，包含γ1和γ2為對應控制變量的系數，γ＞0說明訂單違約風險隨控制變量的增大而增加，反之亦然；ε為隨機項，腳注i表示研究對象的第i個借款訂單。回歸結果如表3所示。

通過表3的回歸結果，我們可以發現除了模型（3）和（5），訂單滿標時間系數顯著為正，說明訂單滿標時間對于違約風險有顯著的識別效應，而且訂單滿標時間越長，訂單違約風險越大，與上文的猜測是一致的。隨著控制變量的加入，當控制借款人的個人信息（BI）或訂單信息（OI）時，訂單滿標時間對于違約風險依然有顯著的識別效應且系數仍然為正，同時McFadden R-squared由0.14增加到0.49和 0.31。 當控制借款人信用信息（CI）時，只有模型（7）和（8）的系數顯著，而模型（3）和（5）的系數不顯著，因此，假設1不成立。但我們發現模型（3）和模型（5）的McFadden R-squared值較高，分別為0.95和0.96，說明借款人信用信息（CI）對違約風險有識別效應，而對比其他模型，則說明訂單滿標時間和信用信息存在替代效應。另外，隨著控制變量類別的增加，訂單滿標時間的系數有增加的趨勢，并在模型（8）中達到最大值1.82，說明伴隨控制變量的增加，違約風險對訂單滿標時間的增加越來越敏感。

由于一般借款金額越多，所需要的時間越長，且通過表3的回歸訂單滿標時間的系數存在著不穩定性，因此我們引入了單位借款金額訂單滿標時間作為解釋變量。

（二）單位借款金額訂單滿標時間（Pertime）回歸結果及分析

為了回歸的穩健性，我們同樣采用逐步加入控制變量的方法，該模型同訂單滿標時間的模型相同，不同之處在于用單位借款金額訂單滿標時間（Pertime）替代訂單滿標時間（Time）作為解釋變量，由于Pertime=log（time/Amount），所以不再引入訂單借款金額（Amount）作為控制變量。相關回歸結果如表4所示。

在表4的回歸結果中，隨著控制變量的增加，單位借款金額訂單滿標時間的系數始終為正，且都顯著，說明單位借款金額訂單滿標時間具有正向識別違約風險的作用，即單位借款金額訂單滿標時間越長，則訂單違約風險越大，與表2中的統計性描述相一致，也意味著單位借款金額訂單滿標時間相比訂單滿標時間具有更好的識別違約風險的作用，同時McFadden R-squared值也隨著控制變量的增加而增加并在模型（8）中達到了最大值，說明單位借款金額訂單滿標時間能識別部分違約風險，借款人的其他信息也能識別違約風險，由于模型（3）和（5）的單位借款金額訂單滿標時間系數依然顯著，說明借款人信用信息在識別違約風險上已無法替代單位借款金額訂單滿標時間，因此假設2成立。同樣，單位借款金額訂單滿標時間的系數在模型（8）中達到了最大值4.37，說明當同時控制借款人個人特征信息、信用信息、訂單信息和訂單發生月份時，單位借款金額訂單滿標時間稍有增加，借款人的違約概率便有大幅度的上升，風險識別效應顯著。

表3 訂單滿標時間（Time）回歸結果

（三）單位借款金額訂單滿標時間（Pertime）的非線性回歸

基于非線性的普遍存在，由于假設1不成立，假設2成立，下面我們主要研究單位借款金額訂單滿標時間（Pertime）的非線性回歸，回歸模型如下：

模型中β2為單位借款金額訂單滿標時間平方項系數，β2顯著則說明單位借款金額訂單滿標時間對訂單違約風險的識別存在非線性效應，否則不存在非線性效應，其中若β2＞0說明單位借款金額訂單滿標時間對違約風險存在U型非線性識別效應，即隨著單位借款金額訂單滿標時間的增加，訂單違約風險增加的速度逐漸增大；若β2＜0說明單位借款金額訂單滿標時間對違約風險存在倒U型非線性識別效應，即隨著單位借款金額訂單滿標時間的增加，訂單違約風險增加的速度逐漸減小，其他系數與前文相同。回歸結果如表5所示。

在同時控制借款人的個人特征信息、信用信息、訂單信息以及訂單發生月份的前提下，單位借款金額訂單滿標時間一次項系數為正且顯著，說明單位借款金額訂單滿標時間對于違約風險有正向識別作用，同時其二次項系數也為正且顯著，說明隨著單位借款金額訂單滿標時間的增加，其對違約風險有加速識別的效應，即違約風險增加的速度是逐步增大的，也就是單位金額時間成本對訂單違約風險存在U型非線性識別效應，因此，假設3成立。其原因在于放貸人在投標過程中存在著羊群效應［24］，傾向于模仿之前放貸人的投資行為［25］，尤其是模仿決策行為而忽略其他信息［26］，同時P2P網絡借貸市場羊群有理性和非理性羊群之分［20］，這種羊群效應通過放貸人的投資決策而間接影響借款人的借款是否成功［27-28］以及時間成本的大小，當非理性羊群占主導時，顯然沒有被放貸人關注的訂單，其借款人融資時間在羊群效應的影響下會更長，即時間成本更大，在監管和違約懲戒制度有待提升以及借款人利益最大化的前提下，借款人后續違約的可能性就加速增大。

表4 單位借款金額訂單滿標時間（Pertime）回歸結果

五、穩健性分析

為了檢驗前文結果的穩健性，我們將前文的訂單滿標時間單位由秒替換為分鐘，由于替換之后的訂單滿標時間有可能為0，所以單位借款金額訂單滿標時間表示為：

以單位借款金額訂單滿標時間為解釋變量，采用模型（8）進行回歸分析，得到單位借款金額訂單滿標時間的系數顯著為正，與前文結果一致，說明具有較強的穩健性。

另外，觀察數據樣本描述性統計分析，控制變量中借款人年齡、逾期金額、借款期限和投標人氣標準差均大于1，較為分散。在前文模型中，本文將這四個控制變量進行的是數量統計，為了回歸的穩健性，另外一種方式是將這四個控制變量替換為啞變量進行回歸分析，但由于受擬完全分離的限制，我們僅將借款人年齡和投標人氣替換為啞變量。以中位數為界，借款人年齡中位數為38歲，那么借款人年齡小于或等于38歲時，值為0，大于38歲時，值為1；同理，投標人氣中位數為62人，若投標人氣小于或等于62人時，值為0，大于62歲時，值為1。根據表6第三列穩健性回歸結果，單位借款金額訂單滿標時間系數顯著為正，與前文結果一致，結果依然穩健。

表5 單位借款金額訂單滿標時間（Pertime）非線性回歸結果

六、結論及啟示

近幾年P2P網絡借貸憑借其快速、高效、便捷等優勢，作為傳統金融的補充，迅速得到小微企業甚至個人的青睞并得到迅猛發展。同時，已有研究在借貸行為中更多地關注借貸的資金成本而忽略時間成本，因此本文重點關注了P2P網絡借貸中小微企業融資的時間成本對其違約風險的識別效應。經過實證分析，本文發現小微企業融資時間成本能識別借款訂單的部分違約風險，其融資時間成本越大，違約風險就越大，尤以單位借款金額訂單滿標時間作為解釋變量能更好地說明此論點。在此基礎上，借貸時間成本與訂單違約風險存在U型非線性識別效應，即隨著借貸時間成本的增加，訂單違約風險加速上升。同時，本文也發現訂單的其他信息，即借款人過往的違約次數和借貸金額以及利率等信息也能識別部分訂單違約風險。

表6 穩健性檢驗結果

本文結論的理論意義在于通過實證分析指出小微企業作為借款人，其融資行為除了受到資金成本的影響，還受到時間成本的影響，即使P2P網絡借貸相對傳統金融已顯著縮短了借貸等待時間，這一影響仍然顯著。以小微企業為代表的借款人在成本一定的情況下，追求利潤最大化，那么借貸時間成本的增加使得其在利潤最大化目標下選擇違約的可能性也增加。

除此以外，研究形成的結果也具有一定現實意義。第一，由于通常我們關注的是借貸資金成本，P2P網絡借貸平臺提供的訂單滿標時間對于廣大放貸人可能只是普通意義上的數字而已。本實證研究結果則說明，訂單滿標時間不僅簡單表明了訂單生成的時間長短，同時可以對于違約風險產生很好的識別效應。那么，對于放貸人而言，可以通過訂單滿標時間識別借款人的潛在風險，有效篩選借款訂單，更好地保全資本；對于P2P網絡借貸平臺，可以追蹤訂單滿標時間進行有效的監控，針對預期訂單滿標時間過長的借款予以高風險警示，從而更好地降低平臺風險，提高P2P網絡借貸效率，在事前有效防范違約行為的發生，促進網絡借貸的有序進行。同時，本文指出單位借款金額訂單滿標時間相比訂單滿標時間能夠更好地識別違約風險。因此，建議P2P網絡借貸平臺在提供訂單滿標時間信息的基礎上，增加單位借款金額訂單滿標時間指標。通過這一指標，P2P網絡借貸平臺和放貸人可以直觀判斷訂單違約風險的大小，并相應加強后續監管。另外，放貸人的“羊群效應”使得借貸時間成本對違約風險存在“U”型非線性識別效應，因此，放貸人應充分、有效地利用P2P網絡借貸平臺提供的借款人訂單信息和信用信息，做出理性判斷，避免盲目跟從放貸，這樣才能使良好信用的小微企業借款人花費較少的時間成本獲得融資，避免其違約風險的增加，從而提高P2P網絡借貸效率。

第二，作為小微企業，應加強規范企業經營管理，完善信息披露。小微企業融資難的最根本原因在于小微企業經營管理的不規范性。這種不規范性使得資金供給者很難全方位地獲得與小微企業借款人相關的真實信息。因此，小微企業應規范企業經營管理，為企業利益相關者提供多方位了解企業的渠道。

第三，作為網絡借貸的信息中介，P2P網絡借貸平臺憑借信息共享機制相比傳統金融機構在緩解信息不對稱方面已有很大的提升，但仍有很大的改進空間，可以在此基礎上繼續完善其信息共享的范圍和深度，例如：針對財務制度健全的小微企業借款人予以合規、定期公布財務報表。同時，P2P網絡借貸平臺的信息共享也不必拘泥于單一的形式，應借助互聯網技術上的優勢為放貸人全方位、直接了解借款人財務狀況提供技術支撐，創新互聯網交流方式，充分發揮借貸橋梁的作用，為借款人和放貸人搭建不同形式的信息溝通平臺。

第四，傳統金融機構應抓住經濟戰略轉型機遇期，主動求變，擺脫傳統的路徑依賴，以適應新形勢下金融市場的需求。傳統金融機構擁有強大的金融人才儲備和龐大的客戶基礎，應以此為契機在日益激烈的金融市場中掌握最新金融科技，不斷開拓金融市場外沿，提高金融供給效率，實現對實體行業戰略升級的有效支撐。

第五，就政府而言，應制定和完善鼓勵小微企業發展的優惠政策體系；規范和促進P2P網絡借貸平臺征信體系的建設。我國小微企業眾多，是經濟發展的活力所在，但小微企業經營卻困難重重。因此，政府應制定有效針對小微企業發展的優惠政策，為小微企業發展提供保障，同時促進小微企業轉型升級，從根源上消除對小微企業的信貸歧視。P2P網絡借貸使得紓解小微企業融資困境成為可能，而交易者的信用信息對網絡借貸的發展至關重要，政府應促進金融科技的發展，規范P2P網絡借貸平臺建立行之有效的征信體系，降低違約風險，更大程度地保障放款人的權益。