小微企业借贷时间成本与违约风险——基于P2P网络借贷

李 鑫 田秀娟

（对外经济贸易大学金融学院，北京 100029）

小微企业是我国最具活力的企业族群，同时也是解决就业的主力军。然而小微企业融资难是一个长期存在的热点问题。由于信息不对称、金融制度等原因，传统金融机构在小微企业融资过程中存在服务缺位、产品缺失、价格不合理等问题，制约了小微企业的长足发展。然而，这为互联网金融的发展提供了良好的契机。互联网金融的加入更加有效地使资金脱虚向实，缓解了小微企业融资难、融资贵的问题，其中尤以P2P网络借贷（Peer-to-peer Network Lending）深受广大小微企业青睐。自2007年从国外引入P2P网络借贷平台模式以来，P2P网络借贷在我国蓬勃发展，迅速形成了一定的规模，丰富了金融产品供给，从资产端和负债端盘活了资金。但是P2P网络借贷平台在经营过程中也存在着征信不足、违约率较高等问题，在一定程度上制约着网络借贷平台的发展。为此，加强网络借贷平台的信用风险管理势在必行，相关部门于2016年出台了《网络借贷信息中介机构业务活动管理暂行办法》，从政策和制度层面对网络借贷平台的信用风险予以监督和控制，从而推动我国信用体系的建设［1］。

一、问题的提出

作为传统金融的补充，以P2P网络借贷为代表的互联网金融凭借其高效、便利的优势迅速成为小微企业融资的重要渠道之一。互联网金融除了改善金融机构的多样化，很大程度上弥补了资金供给的缺口，缓解了对小微企业的信贷配给压力［2-3］。与此同时，互联网金融以更低的成本提高经济资源的配置效率来促进经济发展，这也将产生巨大的社会效益［4］。以互联网为媒介的资金融通成本是融资效率的重要体现［5］，主要包括资金成本和时间成本两个方面。此处的资金成本即借款利率，时间成本是指借款人在P2P平台筹集资金所花费的时间，即从订单发起到订单生成的时间间隔，也即满标时间［6］。在2017年6月网贷之家公布的513家P2P平台中，剔除数据更新不全的15家平台，剔除12家满标时间为0的平台，有效数据486家平台，平均满标时间为1 583.91分钟，即借款订单平均26.40小时满标，这一融资时间成本相比传统资金借贷已显著减少。P2P网络借贷作为一种正规金融工具的补充，在一定程度上降低了金融媒介的成本，同时也降低了借贷资金的价格［7］，缓解了小微企业融资难问题。

目前，大多数已有研究主要集中在资金成本，即借款利率。借款利率受到很多因素的影响，借款人信用等级越高则借款成本越低［8-9］。线上和线下综合认证方式也可以降低借款成本，历史流标次数相反则有正向影响借款成本的作用［10］。同时，由于我国P2P网络借贷平台信息披露质量不高，导致网络借贷中存在显著的身份歧视，这种身份歧视直接体现在借款利率的高低上，借款人身份等级越高，借款成本越低［11］。另外，借款人的主观认知也会影响借款资金成本。借款人对于系统性风险的认知错误会导致市场利率低于实际利率，这种偏差也由于借款人年龄、性别等个体特征不同而增加了不确定性［12］。P2P网贷借款人中存在的干中学效应使得借款经验的增加可以显著降低借款资金成本［13］。在此基础上，借款利率也反映了借款人的部分违约风险，即借款利率正向影响借款人违约风险［14］，但更大比例的违约风险反映在其他信息中［15］。

相比之下，对于时间成本的研究则较少。国外有些学者分别以平均时间间隔和PLB（最高借款利率-最低借款利率）为因变量建立Probit模型进行分析，发现熟人投标和投标数量对于满标时间和利率有显著影响，因此认为存在“羊群效应”，同时还发现贷款人虽然更青睐投标数量多和有朋友投标的借款，但他们的利益也随之被削减了［16］。国内也有学者认为投资者的风险识别能力可以间接地反映在订单满标时间上，借款人风险越高则需要更长的时间成本才能筹措到资金［15］，但该作者以违约风险为解释变量，以订单满标时间为被解释变量有悖我们一般认为的融资时间顺序，即借款订单生成后才会有发生违约的可能性。再者，利差反向影响着借款订单满标时间，即利差越大，借款标的满标所需时间越短［17］。同时，P2P网络借贷平台作为中介其是否参与筹资也显著影响着借款人的时间成本，但对于不同金额和风险的借款，这种影响没有显著变化［6］。

综上所述，现有研究更多关注融资资金成本以及相关因素对融资时间成本的影响，而较少关注融资时间成本和违约风险之间的关联关系。因此，本文将采用国内排名前十的某P2P网贷平台数据实证分析融资时间成本对于小微企业违约风险的识别效应，这一效应可以帮助P2P借贷平台和放贷人用借贷时间这一最直接的参数来识别借款人的违约风险，同时指出这种识别效应呈现U型非线性关系，进而可以通过这一指标对借款人的违约风险进行重点区分和监管，具有重要的实用价值。

与已有研究相比，本文贡献可能体现在以下两个方面：第一，区别于以往采用个人特征信息、信用信息和订单信息作为解释变量，观测其与违约风险的关联关系，本文创新地引入借贷时间成本，即：订单满标时间作为解释变量，研究借贷时间成本对借款人违约风险的识别效应。相比个人特征信息、信用信息和订单信息等大多由借款人提供，订单满标时间产生于借贷过程本身，其数据更加客观，有很好的研究价值。第二，在实证分析中，本文不仅研究了借贷时间成本与违约风险的线性关系，同时，基于更多的变量之间存在非线性关系的事实，本文也系统、深入地研究了借贷时间成本与违约风险的非线性关系，分析结果具有较强的实践意义。

二、研究假设与实证设计

首先，就本文研究的重点借款订单满标时间与违约风险的关系给出相关假设，并以此为研究思路进行后续探讨；其次，在研究假设的基础上，明确模型设定。

（一）研究假设

在P2P网络借贷中，我们假设每位投资者都可以在P2P平台上搜集信息，例如：借款人的性别、年龄等个体特征和借款期限、借款用途等借款订单信息，在相同的时间面对相同的订单信息并对相关订单借款人的违约概率做出相应判断，进而做出是否放贷的决策。这一决策的过程通过借款订单满标时间体现出来。由于我们对放贷人风险厌恶的假设，对于两个借款订单，放贷人总是偏好风险较小的订单，一方面表现为个体放贷人在风险较小订单上投资更多的金额，另一方面表现为有更多的放贷人会选择风险较小订单进行投资，这都会导致订单满标时间减少。因此，我们可以提出如下假设：

假设1：借款订单满标时间越长，该借款订单违约风险越大。

但是，订单满标时间和很多因素有关，尤其是订单金额。假设同一借款人申请了利率、期限相同但金额不同的两笔借款，一般我们认为金额较大的借款需要更多的时间来筹集，订单金额越大，订单风险也越大。因此，我们引入单位借款金额订单满标时间，即每融资1元钱所耗费的时间。那么同样，单位借款金额订单满标时间体现的是放贷人对于每放贷1元钱的决策过程的长短，但通过单位借款金额订单满标时间来识别订单风险便不会受到订单金额大小的影响。因此，我们可以提出如下假设：

假设2：单位借款金额订单满标时间越长，该借款订单违约风险越大，且单位借款金额订单满标时间比订单满标时间能更好地识别订单违约风险。

由于非线性的普遍存在，我们也会考虑订单满标时间或单位借款金额订单满标时间对订单违约风险是否存在非线性影响。部分学者通过非线性方法验证了网络借贷能否成为实现普惠金融的有效途径［18］；也有学者通过非线性方法检验了平台参与度对借款人融资效率的影响［17］。由于P2P平台的羊群效应［19］以及放贷人在他人身上学习行为的存在［20］，一旦放贷人中有人识别订单违约风险作出决策，其他放贷人便会效仿，由于理性投资人的假设，那么随着订单融资时间的增加，订单违约风险会加速增大。因此，我们提出如下假设：

假设3：订单时间成本对订单违约风险存在U型非线性识别效应。

（二）模型设定

根据上文，我们可以得到借款订单满标时间反映了订单违约风险的大小，或者在借贷市场均衡时，通过借款订单满标时间我们是可以推测到借款人违约概率的，因此，我们可以得到公式（1）：

在信息对称且市场均衡的情形下，理性的放贷人在合适的时间里可以做出正确的决策。因此，同样的订单满标时间应该预示着同样的违约风险。但借贷市场最大的特征便是信息不对称，以小微企业为代表的借款人准确地知道自身的经营情况，而放贷人则无法了解这些关键信息。但放贷人可以通过P2P借贷平台提供的借款人个人特征和借款订单等信息分析判断，事实上订单满标时间体现的就是放贷人根据平台提供的已有信息判断的过程。由于放贷人受到教育、年龄、性别等自身因素的限制，其决策的有效性也会受到局限，也就是说放贷人并不能有效地利用平台提供的信息作出决策，因此那些平台提供的但没有被放贷人有效利用的，除了订单满标时间的信息，也蕴含着借款人违约风险的潜在因素。因此，我们得到公式（2）：

如果公式（2）订单其他信息的系数显著，说明放贷人受到了自身的局限性未能有效利用平台提供的借款人信息，也就是说订单其他信息中还有尚未被放贷人有效挖掘但能识别违约风险的潜在因素。

三、数据及变量描述

（一）数据来源

鉴于网商、私营企业主是典型的小微企业，本文选取了国内P2P综合排名前十的某平台2015年5月—2016年6月期间的网商和私营企业主的借款标的作为研究对象，共46 500条数据样本，其中，申请借款成功的数据样本为17 389条，剔除订单满标时间为0的数据122条，有效数据样本共17 267条。

本文所用数据分为如下三类：（1）借款人个人特征，包括：借款人年龄、性别、婚姻状态、学历、资产状况、用户名和所在行业；（2）借款订单信息，包括：借款金额、借款期限、借款利率、投标人气、满标时间以及订单状态；（3）借款人信用信息，包括：成功借款次数、逾期次数、逾期金额、信用报告、工作认证、收入认证和实地认证；（4）订单发生时间所在月份。

（二）变量描述

1.被解释变量。本文的被解释变量为借款订单状态（Status）。由于订单成功后才有违约的可能，因此本文选取借款成功的数据样本。那么，借款成功订单的状态共有坏账（Bad_debt）、逾期（Over_due）和还款进行中（In_progress）以及订单结束（Closed）四种状态。本文把借款订单处于坏账和逾期两种状态定义为违约订单，status值为1，否则为0。

2.解释变量。本文关注的解释变量为订单满标时间（Time）。订单满标时间表示借款人融资时间成本，被定义为从订单发起至订单生成的时间间隔，单位为秒，它反映了放贷人分析、使用P2P平台信息的过程。订单满标时间越短，借款人融资时间成本越小，融资效率越高，反之亦然。

但是，我们知道订单满标时间和该笔订单申请金额的大小是密切相关的，因此，出于稳健性考虑，本文也会引入单位借款金额订单满标时间（Pertime）作为解释变量，表示借款人每融资1元钱所耗费的时间，即Pertime=log（Time/Amount）。那么单位借款金额订单满标时间越短，则借款人融资时间成本越小，融资越有效率，反之亦然。由于订单满标时间和订单金额数值较为分散，本文将Time和Amount都取对数。

3.控制变量。现有文献表明借款人的个人特征信息、信用信息和订单信息也会影响放贷人和P2P借贷平台对于借款人违约风险的识别［21-23］，因此，引入个人特征信息（BI）、信用信息（CI）、订单信息（OI）和订单发生时间所在月份（T）作为控制变量。

个人特征信息（BI），包括借款人年龄、性别、婚姻状态、学历、资产状况、用户名和所在行业。借款人性别为虚拟变量，0为女性，1为男性；婚姻状态有离异、丧偶、已婚和未婚，0为未婚，1为离异或丧偶或已婚；学历状态有高中及以下、大专、本科和研究生或以上，0为高中及以下，1为大专，2为本科，3为研究生或以上；资产状况我们用有无房产和房贷来表示，0为无房产，1为有房产；0为无房贷，1为有房贷；用户名根据有无汉字分为两类，0为无汉字，1为有汉字；所在行业共分为20类，为了研究问题的便利，我们将所在20类行业按照三大产业进行划分①借款人所在行业类别包括：农业、建筑工程、能源业、制造业、IT、餐饮/旅馆业、房地产业、公共事业、公益组织、交通运输业、教育/培训、金融/法律、零售/批发、媒体/广告、体育/艺术、医疗/卫生/保健、娱乐服务业、政府机关、其他以及未提供相关信息，共20类。根据三大产业划分标准，行业类别中的农业为第一产业；建筑工程、能源业和制造业为第二产业，其他类别为第三产业。，0为没有提交相关信息，1为第一产业，2为第二产业，3为第三产业。

信用信息（CI），包括成功借款次数、逾期次数、逾期金额、信用报告、工作认证、收入认证和实地认证。成功借款次数、逾期次数和逾期金额表明借款人过去的客观信用记录；信用报告、工作认证、收入认证和实地认证表明借款人是否提交相关认证资料，0为没有提交，1为提交。由于借款人都必须进行身份认证，因此本文不予考虑。

订单信息（OI），包括借款金额、借款期限、借款利率和投标人气。其中，投标人气指该订单中参与投标的放贷人人数。

订单发生时间所在月份（T），1—14分别对应2015年5月至2016年6月。详细变量及其说明见表1。

在表1的基础上，我们将申请借款成功的订单按照订单状态，分为逾期（Over_due）、坏账（Bad_debt）、还款进行中（In_progress）和完结（Closed）四种，并根据订单状态分析了成功订单的分布情况，详见表2。

在成功借款的订单中，处于还款中的订单数量最多，达到15 369单，逾期订单最少，为16单。关于订单平均满标时间，处于还款中的订单平均值最大，原因在于现在处于还款中的订单，将来有可能会成为逾期或者坏账订单，也就是说将来可能成为逾期或者坏账的订单现在处于按时还款状态。已还款完毕的订单平均满标时间为1 703.80秒，大于逾期和坏账的平均值1 166.94秒和1 657.34秒，这和我们借款用时越长，违约风险越大的假设不符。关于单位借款金额订单满标时间，我们同样重点关注的是已完结订单平均值和逾期、坏账订单平均值的比较。已完结订单的单位借款金额订单平均满标时间为-2.84，小于逾期和坏账订单的平均值-1.79和-1.57，这和我们的假设是相符的。

四、实证结果及分析

在前文数据描述性分析的基础上，本文就借款时间成本与违约风险进行深入的实证研究并验证前文的研究假设。

表1 变量说明及其描述性统计

表2 样本期间成功订单分布情况

（一）订单满标时间（Time）回归结果及分析

为了回归模型的稳健性，本文在基础模型（1）的基础上，逐渐控制借款人的个人特征信息（BI）、信用信息（CI）和订单信息（OI），首先观察订单满标时间对违约风险的识别效应。回归模型如下：

模型中α为截距项，β为订单满标时间的系数，β＞0说明订单满标时间越长，其违约风险越大，反之亦然；γ，包含γ1和γ2为对应控制变量的系数，γ＞0说明订单违约风险随控制变量的增大而增加，反之亦然；ε为随机项，脚注i表示研究对象的第i个借款订单。回归结果如表3所示。

通过表3的回归结果，我们可以发现除了模型（3）和（5），订单满标时间系数显著为正，说明订单满标时间对于违约风险有显著的识别效应，而且订单满标时间越长，订单违约风险越大，与上文的猜测是一致的。随着控制变量的加入，当控制借款人的个人信息（BI）或订单信息（OI）时，订单满标时间对于违约风险依然有显著的识别效应且系数仍然为正，同时McFadden R-squared由0.14增加到0.49和 0.31。 当控制借款人信用信息（CI）时，只有模型（7）和（8）的系数显著，而模型（3）和（5）的系数不显著，因此，假设1不成立。但我们发现模型（3）和模型（5）的McFadden R-squared值较高，分别为0.95和0.96，说明借款人信用信息（CI）对违约风险有识别效应，而对比其他模型，则说明订单满标时间和信用信息存在替代效应。另外，随着控制变量类别的增加，订单满标时间的系数有增加的趋势，并在模型（8）中达到最大值1.82，说明伴随控制变量的增加，违约风险对订单满标时间的增加越来越敏感。

由于一般借款金额越多，所需要的时间越长，且通过表3的回归订单满标时间的系数存在着不稳定性，因此我们引入了单位借款金额订单满标时间作为解释变量。

（二）单位借款金额订单满标时间（Pertime）回归结果及分析

为了回归的稳健性，我们同样采用逐步加入控制变量的方法，该模型同订单满标时间的模型相同，不同之处在于用单位借款金额订单满标时间（Pertime）替代订单满标时间（Time）作为解释变量，由于Pertime=log（time/Amount），所以不再引入订单借款金额（Amount）作为控制变量。相关回归结果如表4所示。

在表4的回归结果中，随着控制变量的增加，单位借款金额订单满标时间的系数始终为正，且都显著，说明单位借款金额订单满标时间具有正向识别违约风险的作用，即单位借款金额订单满标时间越长，则订单违约风险越大，与表2中的统计性描述相一致，也意味着单位借款金额订单满标时间相比订单满标时间具有更好的识别违约风险的作用，同时McFadden R-squared值也随着控制变量的增加而增加并在模型（8）中达到了最大值，说明单位借款金额订单满标时间能识别部分违约风险，借款人的其他信息也能识别违约风险，由于模型（3）和（5）的单位借款金额订单满标时间系数依然显著，说明借款人信用信息在识别违约风险上已无法替代单位借款金额订单满标时间，因此假设2成立。同样，单位借款金额订单满标时间的系数在模型（8）中达到了最大值4.37，说明当同时控制借款人个人特征信息、信用信息、订单信息和订单发生月份时，单位借款金额订单满标时间稍有增加，借款人的违约概率便有大幅度的上升，风险识别效应显著。

表3 订单满标时间（Time）回归结果

（三）单位借款金额订单满标时间（Pertime）的非线性回归

基于非线性的普遍存在，由于假设1不成立，假设2成立，下面我们主要研究单位借款金额订单满标时间（Pertime）的非线性回归，回归模型如下：

模型中β2为单位借款金额订单满标时间平方项系数，β2显著则说明单位借款金额订单满标时间对订单违约风险的识别存在非线性效应，否则不存在非线性效应，其中若β2＞0说明单位借款金额订单满标时间对违约风险存在U型非线性识别效应，即随着单位借款金额订单满标时间的增加，订单违约风险增加的速度逐渐增大；若β2＜0说明单位借款金额订单满标时间对违约风险存在倒U型非线性识别效应，即随着单位借款金额订单满标时间的增加，订单违约风险增加的速度逐渐减小，其他系数与前文相同。回归结果如表5所示。

在同时控制借款人的个人特征信息、信用信息、订单信息以及订单发生月份的前提下，单位借款金额订单满标时间一次项系数为正且显著，说明单位借款金额订单满标时间对于违约风险有正向识别作用，同时其二次项系数也为正且显著，说明随着单位借款金额订单满标时间的增加，其对违约风险有加速识别的效应，即违约风险增加的速度是逐步增大的，也就是单位金额时间成本对订单违约风险存在U型非线性识别效应，因此，假设3成立。其原因在于放贷人在投标过程中存在着羊群效应［24］，倾向于模仿之前放贷人的投资行为［25］，尤其是模仿决策行为而忽略其他信息［26］，同时P2P网络借贷市场羊群有理性和非理性羊群之分［20］，这种羊群效应通过放贷人的投资决策而间接影响借款人的借款是否成功［27-28］以及时间成本的大小，当非理性羊群占主导时，显然没有被放贷人关注的订单，其借款人融资时间在羊群效应的影响下会更长，即时间成本更大，在监管和违约惩戒制度有待提升以及借款人利益最大化的前提下，借款人后续违约的可能性就加速增大。

表4 单位借款金额订单满标时间（Pertime）回归结果

五、稳健性分析

为了检验前文结果的稳健性，我们将前文的订单满标时间单位由秒替换为分钟，由于替换之后的订单满标时间有可能为0，所以单位借款金额订单满标时间表示为：

以单位借款金额订单满标时间为解释变量，采用模型（8）进行回归分析，得到单位借款金额订单满标时间的系数显著为正，与前文结果一致，说明具有较强的稳健性。

另外，观察数据样本描述性统计分析，控制变量中借款人年龄、逾期金额、借款期限和投标人气标准差均大于1，较为分散。在前文模型中，本文将这四个控制变量进行的是数量统计，为了回归的稳健性，另外一种方式是将这四个控制变量替换为哑变量进行回归分析，但由于受拟完全分离的限制，我们仅将借款人年龄和投标人气替换为哑变量。以中位数为界，借款人年龄中位数为38岁，那么借款人年龄小于或等于38岁时，值为0，大于38岁时，值为1；同理，投标人气中位数为62人，若投标人气小于或等于62人时，值为0，大于62岁时，值为1。根据表6第三列稳健性回归结果，单位借款金额订单满标时间系数显著为正，与前文结果一致，结果依然稳健。

表5 单位借款金额订单满标时间（Pertime）非线性回归结果

六、结论及启示

近几年P2P网络借贷凭借其快速、高效、便捷等优势，作为传统金融的补充，迅速得到小微企业甚至个人的青睐并得到迅猛发展。同时，已有研究在借贷行为中更多地关注借贷的资金成本而忽略时间成本，因此本文重点关注了P2P网络借贷中小微企业融资的时间成本对其违约风险的识别效应。经过实证分析，本文发现小微企业融资时间成本能识别借款订单的部分违约风险，其融资时间成本越大，违约风险就越大，尤以单位借款金额订单满标时间作为解释变量能更好地说明此论点。在此基础上，借贷时间成本与订单违约风险存在U型非线性识别效应，即随着借贷时间成本的增加，订单违约风险加速上升。同时，本文也发现订单的其他信息，即借款人过往的违约次数和借贷金额以及利率等信息也能识别部分订单违约风险。

表6 稳健性检验结果

本文结论的理论意义在于通过实证分析指出小微企业作为借款人，其融资行为除了受到资金成本的影响，还受到时间成本的影响，即使P2P网络借贷相对传统金融已显著缩短了借贷等待时间，这一影响仍然显著。以小微企业为代表的借款人在成本一定的情况下，追求利润最大化，那么借贷时间成本的增加使得其在利润最大化目标下选择违约的可能性也增加。

除此以外，研究形成的结果也具有一定现实意义。第一，由于通常我们关注的是借贷资金成本，P2P网络借贷平台提供的订单满标时间对于广大放贷人可能只是普通意义上的数字而已。本实证研究结果则说明，订单满标时间不仅简单表明了订单生成的时间长短，同时可以对于违约风险产生很好的识别效应。那么，对于放贷人而言，可以通过订单满标时间识别借款人的潜在风险，有效筛选借款订单，更好地保全资本；对于P2P网络借贷平台，可以追踪订单满标时间进行有效的监控，针对预期订单满标时间过长的借款予以高风险警示，从而更好地降低平台风险，提高P2P网络借贷效率，在事前有效防范违约行为的发生，促进网络借贷的有序进行。同时，本文指出单位借款金额订单满标时间相比订单满标时间能够更好地识别违约风险。因此，建议P2P网络借贷平台在提供订单满标时间信息的基础上，增加单位借款金额订单满标时间指标。通过这一指标，P2P网络借贷平台和放贷人可以直观判断订单违约风险的大小，并相应加强后续监管。另外，放贷人的“羊群效应”使得借贷时间成本对违约风险存在“U”型非线性识别效应，因此，放贷人应充分、有效地利用P2P网络借贷平台提供的借款人订单信息和信用信息，做出理性判断，避免盲目跟从放贷，这样才能使良好信用的小微企业借款人花费较少的时间成本获得融资，避免其违约风险的增加，从而提高P2P网络借贷效率。

第二，作为小微企业，应加强规范企业经营管理，完善信息披露。小微企业融资难的最根本原因在于小微企业经营管理的不规范性。这种不规范性使得资金供给者很难全方位地获得与小微企业借款人相关的真实信息。因此，小微企业应规范企业经营管理，为企业利益相关者提供多方位了解企业的渠道。

第三，作为网络借贷的信息中介，P2P网络借贷平台凭借信息共享机制相比传统金融机构在缓解信息不对称方面已有很大的提升，但仍有很大的改进空间，可以在此基础上继续完善其信息共享的范围和深度，例如：针对财务制度健全的小微企业借款人予以合规、定期公布财务报表。同时，P2P网络借贷平台的信息共享也不必拘泥于单一的形式，应借助互联网技术上的优势为放贷人全方位、直接了解借款人财务状况提供技术支撑，创新互联网交流方式，充分发挥借贷桥梁的作用，为借款人和放贷人搭建不同形式的信息沟通平台。

第四，传统金融机构应抓住经济战略转型机遇期，主动求变，摆脱传统的路径依赖，以适应新形势下金融市场的需求。传统金融机构拥有强大的金融人才储备和庞大的客户基础，应以此为契机在日益激烈的金融市场中掌握最新金融科技，不断开拓金融市场外沿，提高金融供给效率，实现对实体行业战略升级的有效支撑。

第五，就政府而言，应制定和完善鼓励小微企业发展的优惠政策体系；规范和促进P2P网络借贷平台征信体系的建设。我国小微企业众多，是经济发展的活力所在，但小微企业经营却困难重重。因此，政府应制定有效针对小微企业发展的优惠政策，为小微企业发展提供保障，同时促进小微企业转型升级，从根源上消除对小微企业的信贷歧视。P2P网络借贷使得纾解小微企业融资困境成为可能，而交易者的信用信息对网络借贷的发展至关重要，政府应促进金融科技的发展，规范P2P网络借贷平台建立行之有效的征信体系，降低违约风险，更大程度地保障放款人的权益。