Conjoncture

Classification des banques européennes selon leur modèle d’activité : une approche objective

ECO CONJONCTURE  
N°5  
juillet-août 2020  
CLASSIFICATION DES BANQUES EUROPÉENNES SELON LEUR MODÈLE  
D’ACTIVITÉ : UNE APPROCHE OBJECTIVE  
Thomas Humblot  
L’analyse du modèle d’activité des banques répond à des besoins stratégiques, réglementaires ou encore d’étude des effets de la politique  
monétaire. Pourtant, aucune définition harmonisée n’existe. Les auteurs ont ainsi régulièrement recours aux méthodes de classification hié-  
rarchiques afin classifier objectivement les banques selon leur modèle d’activité. Ces approches empiriques, fondées sur des algorithmes,  
reposent dans une large mesure sur des variables bilancielles. Or, la répartition des différentes sources de revenus des banques ou encore  
l’importance des actifs sous gestion constituent des variables tout aussi pertinentes. Nous réalisons donc notre propre classification des  
banques européennes selon leur modèle d’activité en utilisant l’ensemble de ces variables. En outre, nous appliquons une méthode de  
classification hiérarchique descendante qui apparaît sensiblement plus performante que sa version ascendante, pourtant plus courante  
dans la littérature. Enfin, la rétention d’une composante principale supplémentaire, en plus des deux qui le sont traditionnellement, permet  
d’améliorer la qualité de notre classification.  
3
5 7  
PRÉPARATION DES DONNÉES  
ET CHOIX DU MODÈLE  
LA MÉTHODE DIANA CLASSIFIE CLASSIFICATION ALTERNATIVE  
LES BANQUES EUROPÉENNES AVEC LA MÉTHODE AGNES  
SELON CINQ MODÈLES  
D’ACTIVITÉ  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
CLASSIFICATION DES BANQUES EUROPÉENNES SELON LEUR MODÈLE D’ACTIVITÉ :  
UNE APPROCHE OBJECTIVE  
2
L’analyse du modèle d’activité des banques répond à des besoins stratégiques, réglementaires ou encore d’étude des  
effets de la politique monétaire. Pourtant, aucune définition harmonisée n’existe. Les auteurs ont ainsi régulièrement  
recours aux méthodes de classification hiérarchiques afin classifier objectivement les banques selon leur modèle  
d’activité. Ces approches empiriques, fondées sur des algorithmes, reposent dans une large mesure sur des variables  
bilancielles. Or, la répartition des différentes sources de revenus des banques ou encore l’importance des actifs  
sous gestion constituent des variables tout aussi pertinentes. Nous réalisons donc notre propre classification des  
banques européennes selon leur modèle d’activité en utilisant l’ensemble de ces variables. En outre, nous appliquons  
une méthode de classification hiérarchique descendante qui apparaît sensiblement plus performante que sa  
version ascendante, pourtant plus courante dans la littérature. Enfin, la rétention d’une composante principale  
supplémentaire, en plus des deux qui le sont traditionnellement, permet d’améliorer la qualité de notre classification.  
Les taux d’intérêt durablement bas, la faible croissance économique Cette approche quantitative objective algorithmiquement la classifi-  
et l’augmentation des exigences réglementaires affectent tant les cation des banques selon leur modèle d’activité ce qui la rend plus  
revenus des banques que la structure de leur bilan, selon des modalités robuste qu’une approche par jugement expert. Elle présente, en outre,  
qui dépendent, notamment, de leur modèle d’activité. L’analyse de ce l’avantage de ne pas poser d’hypothèse sur le nombre optimal de  
dernier peut ainsi contribuer à l’identification des risques auxquels est classe qui est déterminé a posteriori.  
exposée une banque et, par extension, à l’estimation des effets qu’elle  
Les variables bilancielles (actif total, part des dépôts dans le total de  
subirait en cas de choc économique ou d’augmentation des exigences  
bilan, ratio de levier, etc.) constituent, dans la littérature, les variables  
réglementaires, par exemple. Selon l’Autorité bancaire européenne  
déterminantes sur lesquelles repose la classification automatique  
(
EBA, European Banking Authority), cette approche permet d’estimer  
des banques selon leur modèle d’activité. De nombreux éléments  
ne figurent toutefois pas au bilan tandis que certaines activités, qui  
produisent une partie conséquente des revenus bancaires, n’impliquent  
pas une détention importante d’actifs. Une telle approche conduit les  
auteurs à poser implicitement l’hypothèse que le modèle d’activité  
d’une banque serait principalement reflété par la structure de son bilan  
qui représenterait lui-même de manière satisfaisante ses différentes  
sources de revenus. Pourtant, dans leurs rapports financiers, les  
la viabilité du modèle d’activité des banques ainsi que la pérennité de  
leur stratégie. Dans cette perspective, l’analyse du modèle d’activité  
1
des banques constitue l’un des quatre piliers du processus de révision  
et d’évaluation de la surveillance (SREP, Supervisory Review and  
2
Evaluation Process ) dont les résultats contribuent à la fixation des  
exigences réglementaires individualisées au titre du pilier 2 (processus  
3
de surveillance prudentiel) de la directive européenne CRD IV .  
L’analyse du modèle d’activité d’une banque, revient à identifier celui- banques présentent souvent la ventilation de leurs sources de revenus  
ci, d’une part, et à affecter chaque banque à une classe unique et afin d’illustrer leur modèle d’activité.  
relativement homogène, d’autre part. Or, les banques, prisent dans leur  
ensemble, exercent une large gamme d’activités dans des proportions  
variables. De ce fait, aucune définition harmonisée et communément  
admise des différents modèles d’activité des banques n’existe (Cernov  
Nous proposons donc une classication des banques européennes5  
selon leur modèle d’activité en donnant, en sus des traditionnelles  
variables bilancielles, une plus grande importance aux différentes  
sources de revenus qui composent leur produit net bancaire. Nous  
ajoutons également les actifs sous gestion afin de rendre compte,  
dans une certaine mesure, de l’importance des activités de hors-bilan,  
lesquelles sont souvent ignorées dans la littérature. Par ailleurs, nous  
introduisons deux innovations techniques : d’une part, nous retenons  
trois composantes principales, contre deux généralement. Cela nous  
permet de conserver plus d’information et d’améliorer la qualité  
de notre classification. D’autre part, nous utilisons une méthode de  
4
et Urbano, 2018 ). Le classement des banques selon leur modèle  
économique peut ainsi reposer sur une dose notable de jugement dit  
«
expert ». Cette approche, qui se fonde sur l’appréciation personnelle  
des auteurs, présente l’intérêt d’être facilement applicable mais son  
caractère plus ou moins arbitraire la rend discutable. La littérature  
propose, de ce fait, différentes méthodes d’identification objective du  
modèle d’activité des banques.  
Récemment, l’approche privilégiée dans la littérature réside sur classification hiérarchique descendante, et non ascendante, qui produit,  
les méthodes de classifications automatiques (clustering), et plus selon un test statistique, de meilleurs résultats.  
particulièrement à celle dite « hiérarchique ascendante ». Fondée  
Finalement, notre estimons à cinq le nombre optimal de modèles  
sur les données, la classification hiérarchique ascendante est un  
d’activité pour les banques européennes. Nous les nommons en  
processus itératif qui agrège successivement les banques selon  
fonction des caractéristiques moyennes de chaque classe ainsi qu’en  
leurs caractéristiques communes. À l’issue de l’agrégation, chaque  
nous inspirant de la littérature : banques de détail pures, banques  
établissement est affecté à une classe homogène bien distincte des  
commerciales orientées détail, banques commerciales, banques  
autres.  
universelles et banques d’investissement et assimilées.  
1
2
3
4
Avec l’évaluation de la gouvernance et de la gestion des risques, l’évaluation des risques portant sur les fonds propres et l’évaluation des risques de liquidité et de financement.  
European Banking Authority, 2018, Guidelines on common procedures and methodologies for the supervisory review and evaluation process (SREP) and supervisory stress testing – Consolidated version  
Directive 2013/36/EU du Parlement européen et du Conseil du 26 juin 2013  
Pour une revue de la littérature, cf. notamment Cernov et Urbano, 2018, Identification of EU bank business models – A novel approach to classifying banks in the UE regulatory framework, EBA Staff Paper  
series, n°2 – june  
5
Après nettoyage de la base de données, 2 125 groupes bancaires consolidés des 28 pays membres de l’Union européenne, plus les norvégiens et les suisses. Les groupes islandais et liechtensteinois ne sont  
pas retenus dans l’échantillon final faute de données suffisantes.  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
3
Les variables relatives au produit net bancaire ainsi que la variable Enfin, la segmentation des activités par filiale est potentiellement une  
des actifs sous gestion se révèlent particulièrement pertinentes composante de la stratégie globale d’un groupe.  
pour l’identification des modèles d’activité. Nos résultats demeurent  
L’algorithme de classification automatique est sensible aux données  
cohérents avec ceux obtenus par la littérature.  
manquantes ou aberrantes. Elles sont donc vérifiées et corrigées, dans  
la mesure du possible sinon la banque est éliminée de l’échantillon  
Préparation des données et choix du modèle  
initial, le réduisant ainsi de 759 banques. De même pour les valeurs  
7
extrêmes . Cela nous conduit à éliminer 62 banques supplémentaires  
Notre étude a pour objet d’établir une classification objective des  
banques européennes afin, par exemple, de classer ultérieurement,  
dans le cadre que nous aurons établi, de nouvelles banques  
qui sont identifiées comme présentant des valeurs extrêmes par un  
8
algorithme dédié .  
européennes issues du rapprochement entre plusieurs établissements. Les données sont normalisées afin de faciliter leur comparaison. Leur  
Notre méthode pourrait également être transposée à d’autres zones moyenne sur trois années (2016, 2017 et 2018) a préalablement été  
géographiques, pays ou systèmes bancaires à des fins de comparaisons calculée afin de lisser les fluctuations conjoncturelles qui pourraient  
internationales. Il serait également possible d’observer l’évolution conduire à classifier de manière erronée une banque en surinterprétant  
du modèle d’activité d’une banque particulière en comparant sa des évolutions ponctuelles. Une période sensiblement plus longue  
classification à différentes périodes. Enfin, une analyse de la sensibilité pourrait conduire à ignorer l’évolution d’un modèle d’activité. Les  
de chaque modèle d’activité à l’évolution des taux d’intérêt ou de données pour l’année 2019, trop souvent manquantes, ne sont pas  
la réglementation prudentielle, par exemple, est naturellement retenues. Dans le cas contraire, l’échantillon serait divisé par plus de  
envisageable. Dans la mesure du possible, nous appliquons un deux et serait essentiellement composé des plus grands établissements  
protocole dans le cadre duquel chacun de nos choix est guidé par les bancaires tandis que les petites banques allemandes et italiennes, plus  
meilleures pratiques en la matière.  
particulièrement, en seraient éliminées.  
Garantir la transposabilité des résultats par un La réduction de dimension permet de conserver le  
échantillon large  
plus d’information possible  
Sélectionner correctement l’échantillon dans le cadre des méthodes Sur la base des variables traditionnellement utilisées dans la littérature  
de classifications automatiques est essentiel car les banques sont consacrée à l’identification du modèle d’activité des banques et d’une  
classifiées les unes par rapport aux autres ; un biais d’échantillonnage sélection pas à pas grâce, notamment, à une analyse de corrélation  
est donc de nature à affecter les résultats. En outre, l’échantillon doit entre variables, un total de treize variables est finalement retenu (cf.  
être suffisamment large pour couvrir, dans la mesure du possible, le tableau 1) :  
plus grand nombre de variantes de modèles d’activité au risque de  
huit variables de bilan traditionnellement présentes dans la littéra-  
ne pas être suffisamment représentatif pour pouvoir transposer les  
résultats. Une approche trop générale peut également produire des  
résultats insuffisamment précis, voire aberrants. En l’occurrence,  
cela peut conduire certaines banques réputées universelles à être  
classifiées à tort avec celles d’investissement, simplement parce que  
les établissements du reste de l’échantillon ne pratiqueraient pas  
ture,  
quatre variables couvrant les principales lignes du produit net ban-  
caire selon la nature des revenus : intérêts nets, commissions nettes,  
9
plus ou moins-values ainsi que les autres revenus courants et,  
une variable liée aux actifs sous gestion.  
d’activités de marché alors qu’il s’agirait d’un critère de différenciation Les méthodes de classification automatiques deviennent toutefois  
fort.  
moins efficaces à mesure que le nombre de variables retenues  
augmente, selon Han et Al. (2012). Les auteurs évoquent alors comme  
solution de réduire la dimension des données au moyen d’une analyse  
en composantes principales, ce que font, par exemple, Farnè et Vouldis  
Dans la limite des données exploitables dans SNL, 2 946 banques  
sont initialement retenues. Les banques ultraspécialisées (crédits  
automobiles uniquement, cartes de crédit, prêts sur gage, etc.) sont  
exclues de l’échantillon pour les raisons évoquées préalablement. Par  
ailleurs, leur modèle d’activité est déjà clairement identifié et leur  
exclusion devrait permettre de distinguer plus efficacement celui,  
moins évident, des banques qui composent l’échantillon. Les données  
retenues couvrent tous les groupes bancaires de l’Espace économique  
10  
2017) . Les treize variables que nous retenons initialement sont ainsi  
(
combinées linéairement en plusieurs composantes principales selon  
une procédure applicable à des échantillons de données de faible et  
de grande dimensions, et dont la précision des résultats n’est pas  
1
1
altérée par les valeurs extrêmes . Contrairement à la littérature, nous  
1
2
6
prenons le parti de ne pas appliquer le critère de Kaiser lors du choix  
du nombre de composantes principales à retenir car il n’apparaît plus  
européen  
à leur plus haut niveau de consolidation puisqu’il  
s’agit généralement du niveau auquel s’appliquent les exigences  
réglementaires. L’exclusion des filiales permet d’éviter la redondance  
d’information qui pourrait conduire à une surreprésentation de certains  
modèles d’activité particuliers.  
1
3
réellement adapté aux possibilités de la recherche actuelle .  
6
7
8
9
Moins les groupes bancaires islandais et liechtensteinois par manque de données.  
Han, J., Kamber, M. & Pei, J., 2012, Data mining: concepts and techniques – 3rd ed., Morgan Kaufmann publications  
Breunig, M., Kriegel, H., Ng, R., & Sander, J., 2000, LOF: identifying density-based local outliers. In ACM International Conference on Management of Data, pp. 93-104  
Depuis la mise en œuvre le 1er janvier 2018 de la norme comptable IFRS 9 dans l’Union européenne, les banques sont tenues de classer leurs actifs financiers en trois catégories : les actifs évalués à leur  
coût amorti, les actifs évalués à leur juste valeur par le biais du résultat net et les actifs évalués à leur juste valeur par le « biais des autres éléments du résultat global » (par les fonds propres). Préalable-  
ment, les actifs financiers étaient classés, sous IAS 39, en quatre catégories : les actifs financiers à la juste valeur par le biais du compte de résultat, les placements détenus jusqu’à leur échéance, les prêts  
et créances et les actifs financiers disponibles à la vente.  
1
1
1
1
0 Farnè, M. et Vouldis, A., 2017, Business models of the banks in the euro area, Working Paper Series, No 2070, European Central Bank  
1 Hubert, M., Rousseeuw, P. & Vanden Branden, K., 2005, ROBPCA: A new approach to robust principal component analysis, Technometrics, Vol. 47, No. 1, pp.64-79  
2 Kaiser, H. F., 1960, The application of electronic computers to factor analysis, Educational and Psychological Measurement, 20(1), pp. 141–151  
3 Cf. notamment, Preacher, K. & MacCallum, R., 2003, Repairing Tom Swift’s electric factor analysis machine, Understanding Statistics, 2 (1), pp. 13 – 43  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
4
VARIABLES RETENUES  
VARIABLE  
DESCRIPTION  
Prêts totaux à la clientèle, nets des provisions pour dépréciation. Inclut les prêts  
comptabilisés à leur coût amorti et à leur juste valeur.  
Variables bilancielles  
Prêts nets à la clientèle (% de l'actif total )  
Prêts totaux accordés aux banques diminués de ceux reçus, nets des provisions  
pour dépréciation. Inclut les prêts comptabilisés à leur coût amorti et à leur juste  
valeur.  
Prêts nets aux banques (% de l'actif total)  
Titres financiers (% de l'actif total)  
Total des titres de dette détenus. Valeur identique à celle comptabilisée au bilan  
dans les états financiers.  
Instruments financiers dérivés (% de l'actif total)  
Dépôts de la clientèle (% du total de bilan)  
Moyenne des instruments dérivés inscrits à l'actif et au passif.  
Montant total des dépôts de la clientèle.  
Dépôts des banques (% du total de bilan)  
Dette émise (% du total de bilan)  
Le montant total des dépôts des banques.  
Somme du principal restant dû sous la forme d'une obligation financière à une  
contrepartie, exigeable à une date spécifiée ou sur demande.  
Fonds propres (% du total de bilan)  
Fonds propres tels que définis par les normes comptables.  
Variables du produit net bancaire  
Revenus nets d'intérêts (% du produit net bancaire) Intérêts perçus moins intérêts versés, avant provisions pour dépréciation.  
Commissions nettes (% du produit net bancaire)  
Commissions perçues mois commissions versées.  
Revenus nets des activités de marché (% du pro-  
duit net bancaire)  
Gains réalisés et potentiels des activités de marché, plus les gains réalisés sur  
les titres disponibles à la vente ou détenus jusqu'à leur échéance.  
Autres revenus nets (% du produit net bancaire)  
Actifs sous gestion (% de l'actif total)  
Revenues non classés ailleurs dans le produit net bancaire.  
Tous les actifs gérés directement par la banque et pour lesquels elle dispose  
d'un mandat. Peut inclure des OPVCM monétaires, des fonds spéculatifs et des  
mandats institutionnels.  
Variable hors-bilan  
TABLEAU 1  
SOURCE : BNP PARIBAS  
CHOIX DU NOMBRE DE COMPOSANTES PRINCIPALES À RETENIR  
Composante principale 1  
1,4697  
Composante principale 2  
Composante principale 3 Composante principale 4 Composante principale 5  
Variance  
1,1000  
0,9023  
0,1541  
0,8689  
0,1429  
0,5859  
0,0650  
Part de la sommes des  
variances  
0
,4089  
0,2290  
0,6380  
Part cumulée de la somme  
des variances (variance  
multivariée)  
0,4089  
0,7921  
0,9350  
1,0000  
TABLEAU 2  
SOURCE : BNP PARIBAS  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
5
L’application de ce critère heuristique nous aurait conduits à ne retenir Dans le cas présent, les banques européennes de notre échantillon  
que les deux composantes principales dont la variance (ou la valeur sont classifiées selon leur modèle d’activité en cinq classes différentes.  
propre/eigenvalue) est supérieure à 1 (cf. tableau 2), comme cela est  
Dendrogramme et représentation 3D  
généralement le cas dans la littérature. Nous retenons finalement trois  
composantes principales afin de conserver 79,21% de l’information Le résultat des divisions (ou agrégations) successives peut être  
1
8
contenue dans les données initiales (il s’agit, plus précisément, de la représenté par un arbre de classification ou dendrogramme (cf.  
variance multivariée).  
graphique 2). La hauteur des branches (ou distance cophénétique)  
indique la distance entre deux banques et/ou classes de banques. Plus  
la branche est longue, plus les deux banques/classes de banques sont  
différentes. Finalement, un coefficient de corrélation cophénétique  
peut être calculé afin d’estimer la qualité de la classification. Plus  
le coefficient s’approche de 1, meilleure est la classification. C’est  
notamment ce critère qui nous incite à utiliser la méthode DIANA  
plutôt que la méthode AGNES dont les coefficients s’établissent,  
Méthode DIANA et méthode AGNES  
Traditionnellement, la littérature utilise une méthode de classification  
hiérarchique ascendante (Agglomerative nesting clustering – AGNES).  
Cette méthode « bottom-up » se fonde sur un algorithme qui classifie  
les banques par agrégations successives selon la proximité de leurs  
caractéristiques. À chaque étape de ce processus itératif, les deux  
banque(s) et/ou classe(s) de banques dont la distance, mesurée par  
une combinaison des valeurs numériques prises par les variables les  
caractérisant, est la plus courte, sont agrégées en une nouvelle classe.  
Initialement, chaque banque est considérée comme constitutive de sa  
propre classe, un singleton, puis, l’échantillon total est progressivement  
reconstitué par agrégations successives (cf. graphique 1).  
19  
20  
respectivement, à 0,72 contre 0,55 . En outre, Kassambara (2017 )  
estime que la méthode DIANA est plus adaptée que la méthode AGNES  
21  
pour la classification des grands échantillons. Enfin, Roux (2018 )  
démontre que les algorithmes descendants sont plus performants que  
leurs équivalents ascendants.  
Les résultats de la classification peuvent être également représentés en  
trois dimensions, chacun des trois axes représentant une composante  
principale (cf. graphiques 3 à 6). Cela permet de donner une autre  
vision de la proximité entre les banques prisent individuellement, d’une  
part, et entre les classes de banques, d’autre part. Il apparaît ainsi plus  
clairement que les banques appartenant à la classe 2 présentent des  
caractéristiques comparables, tandis les caractéristiques des banques  
des modèles 4 et 5 sont plus hétérogènes.  
La méthode de classification automatique que nous retenons, en  
raison des meilleurs résultats qu’elle produit, est dite hiérarchique  
descendante (top-down) ou divisive (Divisive analysis clustering,  
DIANA). Cette méthode également itérative traite initialement  
l’échantillon comme une classe unique qu’elle divise ensuite en deux.  
À chaque (n-1) étapes, la classe la plus hétérogène (pour laquelle la  
variance est la plus importante) est scindée en deux en maximisant la  
1
4
distance entre les deux nouveaux groupes créés (« splinter group »  
et « old party »). À l’issue du processus, chaque banque se retrouve De la banque de détail pure à la banque d’investisse-  
affectée à une classe unique, un singleton, qui correspond à son modèle ment (et assimilée)  
1
5
d’activité .  
Nous désignons les cinq modèles d’activité bancaires identifiés en nous  
appuyant sur la moyenne des variables observées pour chaque classe  
La méthode DIANA classifie les banques euro- (cf. graphiques 7 à 9) ainsi qu’en reprenant les intitulés communément  
admis dans la littérature :  
péennes selon cinq modèles d’activité  
le modèle de la banque de détail pure regroupe les 310 banques de  
Notre classification produit des résultats statistiquement satisfaisants.  
Ces derniers tendent à valider tant l’ajout des variables relatives au  
produit net bancaire et aux actifs sous gestion que l’approche selon  
trois composantes principales. Nous identifions un nombre optimal de  
cinq modèles d’activité que nous désignons en nous inspirant de la  
littérature.  
22  
la classe 1 dont, en moyenne , les prêts nets à la clientèle constituent  
8
3% de l’actif total, les dépôts de la clientèle 74% du total de bilan et les  
revenus nets d’intérêts 83% du produit net bancaire,  
le modèle de la banque commerciale orientée détail englobe les 1 491  
banques de la classe 2. Les prêts nets à la clientèle constituent, en  
moyenne, 60% de l’actif total des banques appartenant à cette catégorie,  
les titres financiers 22%, les revenus nets d’intérêts et les commissions  
nettes, respectivement, 68% et 24% du produit net bancaire,  
Le nombre optimal de modèles d’activité est de cinq  
À l’issue du processus de classification hiérarchique (ascendant ou des-  
cendant), l’identification objective du nombre optimal de classes, terme  
qui n’implique aucune hiérarchie entre banques, est possible grâce à  
le modèle de la banque commerciale est celui des 148 banques de  
la classe 3. Les prêts nets à la clientèle constituent, en moyenne, 72%  
de l’actif total, la dette émise 26% du total de bilan tandis que les ac-  
1
6
un algorithme dédié qui teste plus de trente indices différents dont  
1
7
23  
le plus courant, l’indice de Calinski et Harabsz . Il s’agit d’un des prin-  
cipaux avantages des méthodes de classifications hiérarchiques : elles  
ne nécessitent pas de poser, a priori, d’hypothèse sur le bon nombre de  
classes dans lesquelles classer les banques.  
tifs sous gestion représentent 11% de l’actif total . La répartition des  
revenus par source est comparable à celle des banques commerciales  
orientées détail,  
1
1
1
1
1
1
4 Plus précisément, la distance euclidienne  
5 Pour une formalisation mathématique voir notamment Struyf, A., Hubert, M. & Rousseeuw, P., 1997, Clustering in an object-oriented environment, Journal of Statistical Software, 1(4), pp.1 – 30.  
6 Charrad, M., Ghazzali, N., Boiteau, V. & Niknafs, A., 2014, NbClust: An R package for determining the relevant number of clusters in a data set, Journal of Statistical Software, 61(6), pp.1-36  
7 Calinski, T. & Harabasz, J., 1974, A dendrite method for cluster analysis, Communications in Statistics, 3, pp.1-27  
8 Etymologiquement : « dessin en forme d’arbre »  
9 Dans le cadre d’une analyse avec seulement deux composantes principales et dans le respect du critère de Kaiser, le coefficient de corrélation cophénétique s’établit à 0,69 pour la méthode DIANA et 0,52  
pour la méthode AGNES.  
2
2
2
2
0 Kassambara, A., 2017, Practical guide to cluster analysis in R – Unsupervised machine learning, STHDA  
1 Roux, M., 2018, A comparative study of divisive and agglomerative hierarchical clustering algorithms, Journal of Classification, 35(2), pp.345-366  
2 Les valeurs en médiane sont naturellement du même ordre de grandeur.  
3 Les actifs sous gestion, qui ne figurent évidemment pas au bilan, sont néanmoins rapportés à l’actif total des banques afin faciliter les comparaisons.  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
6
ARBRE DE CLASSIFICATION DES BANQUES EUROPÉENNES  
AVEC LA MÉTHODE DIANA  
MÉTHODE DIANA ET MÉTHODE AGNES  
Etape 0  
Etape 1  
Etape 2  
Etape 3  
Etape 4  
Classification  
hiérarchique  
descendante  
(DIANA)  
a
b
c
a b  
a b c d e  
c d e  
d
d e  
Classification  
hiérarchique  
ascendante  
e
(AGNES)  
Etape 4  
Etape 3  
Etape 2  
Etape 1  
Etape 0  
GRAPHIQUE 1  
SOURCE : BNP PARIBAS  
GRAPHIQUE 2  
SOURCE : BNP PARIBAS  
REPRÉSENTATION EN TROIS DIMENSIONS DE LA CLASSIFICATION DES BANQUES AVEC LA MÉTHODE DIANA  
GRAPHIQUE 3-6  
SOURCE : BNP PARIBAS  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
7
le modèle de la banque d’investissement et assimilée associe les  
RÉPARTITION DES SOURCES DE REVENUS BANCAIRES PAR  
9
4 banques de la classe 4. Les prêts nets à la clientèle constituent, en  
MODÈLE ÉCONOMIQUE – MÉTHODE DIANA  
moyenne, 31% de l’actif total, les dépôts de la clientèle 67% du total de  
bilan et les commissions nettes 64% du produit net bancaire et,  
Autres revenus nets (% du produit net bancaire)  
Revenus nets des activités de marché (% du produit net bancaire)  
Commissions nettes (% du produit net bancaire)  
le modèle de la banque universelle rassemble les 82 banques de la  
classe 5. Les prêts nets à la clientèle représentent, en moyenne, 39% de  
l’actif total, les actifs sous gestion 29% de l’actif total, les dépôts de la  
clientèle 41% du total de bilan, les revenus nets d’intérêts et les com-  
missions nettes constituent respectivement 38% et 31% du produit net  
bancaire.  
Revenus nets d'intérêts (% du produit net bancaire)  
1
00%  
9
8
7
6
5
4
3
2
0%  
0%  
0%  
0%  
0%  
0%  
0%  
0%  
Les banques de détail pures sont facilement identifiables tant  
par la structure de leur bilan, largement orienté vers la collecte  
de dépôts auprès de la clientèle, que par la nature de leurs  
revenus essentiellement constitués d’intérêts perçus. Les banques  
d’investissement et assimilées se distinguent aussi très nettement  
des autres modèles d’activité par la prépondérance des commissions  
nettes au sein leur produit net bancaire. Les banques universelles se  
caractérisent par l’équilibre de leurs sources de revenus, au regard des  
banques appartenant aux autres classes pour lesquelles un type de  
revenus prédomine. En outre, la structure des ressources des banques  
universelles est très différente de celle des banques d’investissement et  
assimilées. De nettes dissemblances sont également observables dans  
la structure des ressources des deux classes de banques commerciales.  
La littérature distingue ainsi parfois certains de ces établissements en  
les qualifiant de « banques commerciales à ressources diversifiées ».  
10%  
0%  
Banques de  
détail pures  
Banques  
commerciales commerciales d'investissement universelles  
orientées détail et assimilées  
Banques  
Banques  
Banques  
GRAPHIQUE 7  
SOURCE : BNP PARIBAS  
ÉLÉMENTS AU BILAN ET HORS-BILAN PAR MODÈLE D’ACTIVITÉ  
MÉTHODE DIANA  
Actifs sous gestion (% de l'actif total)  
Instruments financiers dérivés (% de l'actif total)  
Prêts nets aux banques (% de l'actif total)  
Titres financiers (% de l'actif total)  
Prêts nets à la clientèle (% de l'actif total )  
À l’instar de la littérature, nos résultats illustrent l’importance des  
variables bilancielles des banques pour l’identification de leur modèle  
d’activité. La ventilation du produit net bancaire et les actifs sous  
gestion s’avèrent être également pertinents. Enfin, les vingt plus  
grands groupes bancaires européens en termes de fonds propres CET1  
semblent correctement classifiés selon leur modèle d’activité lorsque  
nous appliquons notre propre jugement expert (cf. tableau 3). La  
surreprésentation des banques universelles dans ce sous-échantillon  
met en exergue la corrélation entre taille de l’établissement et  
diversification de ses activités.  
1
00%  
90%  
8
7
6
5
0%  
0%  
0%  
0%  
40%  
3
2
1
0%  
0%  
0%  
0%  
Banques de détail  
pures  
Banques  
commerciales  
orientées détail  
Banques  
Banques  
commerciales d'investissement universelles  
et assimilées  
Banques  
Classification alternative avec la méthode AGNES  
Dans le cadre de notre classification des banques européennes selon  
leur modèle d’activité, la méthode DIANA apparaît, nous l’avons dit, plus  
performante que la méthode AGNES. En outre, les résultats obtenus  
avec cette première méthode nous semblent meilleurs, au-delà des  
seuls critères statistiques ; les différents modèles d’activité sont plus  
nettement différenciables, notamment pour ce qui est des banques  
commerciales. Pourtant, la classification hiérarchique ascendante est  
GRAPHIQUE 8  
SOURCE : BNP PARIBAS  
RÉPARTITION DES SOURCES DE FINANCEMENT DE L’ACTIVITÉ BANCAIRE  
PAR MODÈLE D’ACTIVITÉ – MÉTHODE DIANA  
Fonds propres (% du total de bilan)  
Dette émise (% du total de bilan)  
2
4
souvent préférée à l’approche descendante dans la littérature . Nous  
appliquons donc également cette méthode à notre échantillon à des  
Dépôts des banques (% du total de bilan)  
00%  
Dépôts de la clientèle (% du total de bilan)  
1
9
8
0%  
0%  
fins de comparaison.  
La méthode AGNES nécessite de poser une hypothèse  
supplémentaire  
70%  
6
5
4
3
2
1
0%  
0%  
0%  
0%  
0%  
0%  
0%  
Comparativement à la méthode DIANA, la méthode AGNES nécessite  
de poser une hypothèse supplémentaire. En effet, si le calcul de la  
distance entre chaque banque est commun aux deux approches, la  
méthode AGNES nécessite de choisir entre plusieurs options afin de  
calculer la distance entre deux classes, sachant la distance qui a été  
calculée précédemment entre chaque couple de banques de ces deux  
classes.  
Banques de détail  
pures  
Banques  
commerciales  
Banques  
Banques  
Banques  
universelles  
commerciales d'investissement  
2
4
Nakache, J.-P. & Confais, J., 2004, Approche pragmatique de la classification - Arbres hiérar-  
GRAPHIQUE 9  
SOURCE : BNP PARIBAS  
chiques, Partitionnements, Technip, pp. 246  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
8
La mesure d’agrégation la plus fréquemment utilisée est celle dite « de  
Ward ». Elle tient compte du poids relatif de chaque classe et utilise  
ARBRE DE CLASSIFICATION DES BANQUES EUROPÉENNES  
AVEC LA MÉTHODE AGNES  
2
5
son centre de gravité comme référence pour le calcul de la distance .  
La mesure d’agrégation de Ward minimise la variance totale (distance)  
entre les banques d’une même classe et agrège les banques ou classe(s)  
de banques dont la variance (distance) est également la plus faible  
à chaque étape. Les banques sont ainsi agrégées jusqu’à former des  
classes homogènes (minimisation de la distance intraclasse), les plus  
distinctes possibles les unes des autres (maximisation de la distance  
interclasse). À l’instar des résultats obtenus avec la méthode DIANA,  
les résultats obtenus avec la méthode AGNES peuvent être représentés  
par un dendrogramme (cf. graphique 10) ainsi qu’en utilisant les trois  
composantes principales comme axes (cf. graphiques 11 à 14). Le  
nombre optimal de classe est, comme avec la méthode DIANA, de cinq  
puisque déterminé grâce aux mêmes trente indices.  
GRAPHIQUE 10  
SOURCE : BNP PARIBAS  
REPRÉSENTATION EN TROIS DIMENSIONS DE LA CLASSIFICATION DES BANQUES AVEC LA MÉTHODE AGNES  
GRAPHIQUES 11-14  
SOURCE : BNP PARIBAS  
2
5 D’autres méthodes d’agrégation utilisent généralement la distance minimale ou maximale entre deux éléments d’une classe.  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
9
CLASSIFICATION DES GRANDES BANQUES EUROPÉENNES SELON LEUR MODÈLE D’ACTIVITÉ  
FONDS PROPRES CET1 (ENCOURS  
MOYEN 2016-2018, MILLIERS D’EUROS)  
CLASSE  
MODÈLE D'ACTIVITÉ  
HSBC Holdings  
2
2
5
3
5
5
5
1
5
2
2
5
5
2
3
2
4
5
3
2
5
3
2
3
2
2
2
5
3
3
2
2
3
1
3
2
5
2
2
2
5
3
1
2
5
2
2
2
2
5
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque universelle  
107089314.8  
77782000.0  
75480000.0  
71947842.7  
58841000.0  
48692000.0  
48493582.9  
45180000.0  
44652666.7  
43341344.0  
41773183.7  
41326000.0  
37072666.7  
35314547.9  
33749928.5  
32853882.3  
32432738.0  
31794275.9  
31000981.3  
25102333.3  
24395666.7  
18638000.0  
17990967.7  
17554615.7  
14771213.3  
14610333.3  
13446325.7  
12113559.4  
12035666.7  
11828149.7  
11655079.7  
10661333.3  
10243549.4  
10125290.0  
9643333.3  
9102593.3  
8772602.0  
8633067.7  
8079000.0  
7734239.3  
7441696.7  
7240903.3  
7208666.7  
4462771.0  
6756227.3  
6389000.0  
6213333.3  
6010271.7  
5080155.7  
4630131.2  
Crédit Agricole Group  
BNP Paribas  
Banco Santander  
Banque commerciale  
Groupe BPCE  
Banque universelle  
Deutsche Bank  
Banque universelle  
Barclays  
Banque universelle  
ING Groep  
Banque de détail pure  
Crédit Mutuel Group  
Banco Bilbao Vizcaya Argentaria  
UniCredit  
Banque universelle  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque universelle  
Société Générale  
Intesa Sanpaolo  
Banque universelle  
Royal Bank of Scotland Group  
Lloyds Banking Group  
Standard Chartered  
Credit Suisse Group  
UBS Group  
Banque commerciale orientée détail  
Banque commerciale  
Banque commerciale orientée détail  
Banque d'investissement et assimilée*  
Banque universelle  
Coöperatieve Rabobank  
Commerzbank  
Banque commerciale  
Banque commerciale orientée détail  
Banque universelle  
Nordea Bank  
ABN AMRO Bank  
Banque commerciale  
CaixaBank  
Banque commerciale orientée détail  
Banque commerciale  
Danske Bank  
KBC Group  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque universelle  
Erste Group Bank  
Raiffeisen Bankengruppe auf Bundesebene  
Skandinaviska Enskilda Banken  
Landesbank Baden-Württemberg  
Svenska Handelsbanken  
BFA, Tenedora de Acciones (Bankia)  
AIB Group  
Banque commerciale  
Banque commerciale  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque commerciale  
Swedbank  
Banco de Sabadell  
Bayerische Landesbank  
Raiffeisen Bank International  
Banco BPM  
Banque de détail pure  
Banque commerciale  
Banque commerciale orientée détail  
Banque universelle  
Alpha Bank  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque universelle  
Belfius Banque  
Piraeus Bank  
Banca Monte dei Paschi di Siena  
Unione di Banche Italiane  
Dexia  
Banque commerciale  
Banque de détail pure  
BPER Banca  
Banque commerciale orientée détail  
Banque universelle  
Mediobanca  
Eurobank Ergasias  
National Bank of Greece  
Caixa Geral de Depósitos  
Banco Comercial Português  
Bank of America Merrill Lynch  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque commerciale orientée détail  
Banque universelle  
*
Les données pour Crédit Suisse Group, qui publie en US GAAP, ont été redressées, notamment en ce qui  
TABLEAU 3  
concerne les dérivés, afin de rendre les résultats comparables avec le reste de l’échantillon qui publie en  
IFRS.  
SOURCE: BNP PARIBAS  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
1
0
La méthode AGNES rend la désignation des modèles  
d’activité plus délicate  
RÉPARTITION DES SOURCES DE REVENUS BANCAIRES PAR  
MODÈLE D’ACTIVITÉ – MÉTHODE AGNES  
Nous appliquons avec la méthode AGNES la même procédure qu’avec  
la méthode DIANA afin de nommer les cinq modèles d’activité  
identifiés. Les moyennes des variables de chaque groupe présentent  
des différences substantielles d’une méthode à l’autre. Aussi, les  
résultats sont imparfaitement comparables et nous conduisent parfois  
à nommer différemment la classe considérée :  
Autres revenus nets (% du produit net bancaire)  
Revenus nets des activités de marché (% du produit net bancaire)  
Commissions nettes (% du produit net bancaire)  
Revenus nets d'intérêts (% du produit net bancaire)  
1
00%  
0%  
80%  
9
7
6
5
0%  
0%  
0%  
le modèle de la banque de détail pure regroupe les 212 banques de la  
classe 1 dont, en moyenne, les prêts nets à la clientèle constituent 84% de  
l’actif total, les dépôts de la clientèle 77% du total de bilan et les revenus  
nets d’intérêts 86% du produit net bancaire,  
40%  
3
2
1
0%  
0%  
0%  
0%  
le modèle de la banque commerciale englobe les 517 banques de la  
classe 2. Les prêts nets à la clientèle constituent, en moyenne, 50% de  
l’actif total des banques appartenant à cette catégorie, les titres financiers  
Banques de  
détail pures  
Banques  
commerciales  
Banques  
Banques  
Banques  
universelles  
commerciales commerciales à  
3
4%, les revenus nets d’intérêts et les commissions nettes, respective-  
ment, 69% et 23% du produit net bancaire,  
le modèle de la banque commerciale orientée détail est celui des  
21 banques de la classe 3. Les prêts nets à la clientèle constituent, en  
orientées détail  
ressources  
diversifiées  
GRAPHIQUE 15  
SOURCE : BNP PARIBAS  
8
moyenne, 66% de l’actif total, la dette émise 1% du total de bilan, tan-  
dis les actifs sous gestion représentent 0% de l’actif total. La répartition  
des revenus par source demeure quasiment identique à celle des banques  
commerciales,  
ÉLÉMENTS AU BILAN ET HORS-BILAN PAR  
MODÈLE D’ACTIVITÉ – MÉTHODE AGNES  
Actifs sous gestion (% de l'actif total)  
Titres financiers (% de l'actif total)  
Prêts nets à la clientèle (% de l'actif total )  
Instruments financiers dérivés (% de l'actif total)  
Prêts nets aux banques (% de l'actif total)  
le modèle de la banque commerciale à ressources diversifiées asso-  
cie les 380 de la classe 4. Les prêts nets à la clientèle constituent, en  
moyenne, 72% de l’actif total, les dépôts de la clientèle 59% du total de  
bilan et les commissions nettes 22% du produit net bancaire et,  
1
00%  
0%  
9
8
7
6
5
0%  
0%  
0%  
0%  
le modèle de la banque universelle rassemble les 195 banques de la  
classe 5. Les prêts nets à la clientèle représentent, en moyenne, 33% de  
l’actif total, les actifs sous gestion 13% de l’actif total, les dépôts de la  
clientèle 57% du total de bilan, les revenus nets d’intérêts et les comissions  
nettes constituent respectivement, 33% et 45% du produit net bancaire.  
40%  
3
2
1
0%  
0%  
0%  
0
%
Désigner le modèle d’activité des banques qui composent la classe 1  
est relativement aisé. Par ailleurs, les caractéristiques moyennes des  
banques qui composent cette classe sont relativement similaires quelle  
que soit la méthode de classification hiérarchique utilisée (AGNES ou  
DIANA). Les banques de la classe 5 sont toujours assimilables à des  
banques universelles mais, au regard de la classification obtenue dans  
le cadre de la méthode DIANA, la classe des banques universelles au  
sens de la méthode AGNES englobe des banques d’investissement  
et assimilées au sens de la méthode DIANA. Sous réserve de retenir  
un nombre optimal de cinq classes, la méthode AGNES échoue donc  
à identifier les banques d’investissement et assimilées. Trouver  
des intitulés représentatifs des modèles d’activité des banques qui  
composent les classes 2, 3 et 4 s’avère plus délicat avec la méthode  
AGNES qu’avec la méthode DIANA, tant les valeurs moyennes prises  
par les variables qui les caractérisent sont proches (cf. graphiques 14  
à 16). Plus particulièrement, les différentes sources de revenus des  
banques présentent une répartition extrêmement voisine pour les  
classes 2, 3 et 4. Cela pourrait contribuer à expliquer le recours modéré  
aux différentes sources de revenus bancaires dans la littérature qui  
utilise la classification hiérarchique ascendante. Par ailleurs, la taille  
relative des classes est plus homogène avec la méthode AGNES qu’avec  
la méthode DIANA. Cela semble plutôt contre-intuitif au regard de la  
surreprésentation naturelle, au sein de l’échantillon des Sparkassen  
allemandes ou des petites banques italiennes dont les modèles  
d’activité sont susceptibles d’afficher une relative similitude dans leurs  
Banques de détail  
pures  
Banques  
commerciales  
Banques  
Banques  
Banques  
universelles  
commerciales commerc ial e s à  
orientées détail  
 re s sour c es
d i versi f i ée s  
GRAPHIQUE 16  
SOURCE : BNP PARIBAS  
RÉPARTITION DES SOURCES DE FINANCEMENT DE L’ACTIVITÉ BANCAIRE  
PAR MODÈLE D’ACTIVITÉ – MÉTHODE AGNES  
F o n d spr opr es (%duto ta ldeb ilan)  
Dett e émis e (%dut otaldeb ilan)  
 Dé po tsde sb an q u es (%dut ota l deb ilan)  
D é pô t sde l ac li ent èl e (%dut ota ldeb ilan)  
100%  
9
8
0%  
0%  
70%  
6
5
4
0%  
0%  
0%  
30%  
2
1
0%  
0%  
0%  
Banques de détail  
pures  
Banques  
commerciales  
Banques Ban q u e s Banques  
commerciales c omm erci ale s à universelles  
ressources  
d i versifié es  
orientées détail  
GRAPHIQUE 17  
SOURCE : BNP PARIBAS  
La banque  
d’un monde  
qui change  
Eco Conjoncture n°5 // juillet-août 2020  
economic-research.bnpparibas.com  
1
1
activités. À cet égard, la méthode DIANA apparaît, de nouveau, plus  
adaptée à notre échantillon de banques européennes que la méthode  
AGNES. Finalement, les regroupements obtenus avec les deux méthodes  
de classifications hiérarchiques n’étant pas parfaitement comparables,  
la classification d’une banque individuelle n’a de sens qu’au regard de  
la classification des autres banques avec la même méthode.  
*
**  
L’identification du modèle d’activité des banques présente des enjeux  
pour les dirigeants, les investisseurs, le régulateur, le superviseur ou  
encorelesautoritésmonétaires.Lasensibilitédesrésultatsd’unebanque  
aux évolutions conjoncturelles et financières, ses pertes maximales  
dans un contexte donné ou, dans un autre registre, sa capacité à  
transmettre la politique monétaire et à financer l’économie en phase  
de retournement conjoncturel dépendent, dans une large mesure, de  
son modèle d’activité. Pourtant, aucune définition harmonisée n’existe  
et le recours au jugement dit « expert » est fréquent en dépit de son  
caractère relativement arbitraire.  
Nous proposons ainsi de classifier de manière objective les banques  
européennes en appliquant, dans la mesure du possible, la méthode  
la plus adaptée selon un ensemble de critères statistiques. Nous  
identifions ainsi cinq modèles d’activité - des banques de détail pures  
aux banques d’investissement et assimilées - qui couvrent l’ensemble  
des activités exercées par les banques européennes, à l’exception  
des établissements ultraspécialisés. Les indicateurs statistiques nous  
conduisent à préférer une classification hiérarchique descendante, par  
opposition aux méthodes ascendantes, le plus couramment utilisées  
dans la littérature. Notre approche repose sur trois composantes  
principales afin de préserver plus d’information, les auteurs en  
retenant généralement deux seulement. Nous soulignons également  
l’importance de la répartition des différentes sources de revenus  
des banques pour l’identification de leur modèle d’activité, outre les  
traditionnelles variables bilancielles.  
Finalement, notre étude ouvre la voie à de nombreuses applications  
ultérieures. Il en va ainsi de la classification de nouvelles banques dans  
le cadre que nous avons établi. Il est, en outre, possible de suivre la  
classification d’une banque ou d’un groupe de banques au cours du  
temps afin d’observer les stratégies et les éventuelles transformations  
à
l’œuvre. Répliquer l’analyse  
à
d’autres zones géographiques  
contribuerait, par exemple,  
à
en expliquer les différences de  
performances au niveau agrégé, au delta des différences de normes  
comptables. Enfin, estimer la sensibilité d’un modèle d’activité ou d’un  
système bancaire à la politique monétaire est également envisageable.  
*
Cet article repose, notamment, sur les travaux de Juan David Sanchez  
Gelvez effectués à l’occasion de son stage de fin d’études au sein de  
l’équipe Economie bancaire et encadré par l’auteur de ces lignes. Nous  
le remercions pour sa collaboration précieuse.  
La banque  
d’un monde  
qui change  
RECHERCHE ÉCONOMIQUE GROUPE  
William De Vijlder  
Chef économiste  
+
33 1 55 77 47 31  
william.devijlder@bnpparibas.com  
ECONOMIES AVANCEES ET STATISTIQUES  
Jean-Luc Proutat  
+
33 1 58 16 73 32  
33 1 58 16 03 63  
33 1 57 43 02 91  
33 1 43 16 95 52  
jeanluc.proutat@bnpparibas.com  
helene.baudchon@bnpparibas.com  
louis.boisset@bnpparibas.com  
Responsable - Etats-Unis, Royaume-Uni  
Hélène Baudchon  
France - Marché du travail  
+
Louis Boisset  
+
+
Banque centrale européenne, synthèses conjoncturelles zone euro, Japon  
Frédérique Cerisier  
Zone euro (gouvernance européenne et finances publiques), Espagne, Portugal  
frederique.cerisier@bnpparibas.com  
Raymond Van Der Putten  
Allemagne, Pays-Bas, Autriche, Suisse - Energie, climat - Projections à long +33 1 42 98 53 99  
terme  
raymond.vanderputten@bnpparibas.com  
tarik.rharrab@bnpparibas.com  
Tarik Rharrab  
Statistiques  
+
33 1 43 16 95 56  
ECONOMIE BANCAIRE  
Laurent Quignon  
Responsable  
+
33 1 42 98 56 54  
laurent.quignon@bnpparibas.com  
laure.baquero@bnpparibas.com  
celine.choulet@bnpparibas.com  
thomas.humblot@bnpparibas.com  
Laure Baquero  
Céline Choulet  
Thomas Humblot  
+ 33 1 43 16 95 50  
+33 1 43 16 95 54  
+ 33 1 40 14 30 77  
ECONOMIES EMERGENTES ET RISQUE PAYS  
François Faure  
Responsable, Argentine  
+33 1 42 98 79 82  
+33 1 42 98 56 27  
+33 1 42 98 02 04  
+33 1 42 98 26 77  
+33 1 42 98 43 86  
+33 1 43 16 95 51  
+33 1 42 98 33 00  
+33 1 42 98 74 26  
+33 1 58 16 05 84  
francois.faure@bnpparibas.com  
christine.peltier@bnpparibas.com  
stephane.alby@bnpparibas.com  
stephane.colliac@bnpparibas.comom  
sara.confalonieri@bnpparibas.com  
pascal.devaux@bnpparibas.com  
helene.drouot@bnpparibas.com  
salim.hammad@bnpparibas.com  
johanna.melka@bnpparibas.com  
Christine Peltier  
Adjointe – Grande Chine, Vietnam, Afrique du Sud  
Stéphane Alby  
Afrique francophone  
Stéphane Colliac  
Turquie, Ukraine, Europe Centrale  
Sara Confalonieri  
Afrique lusophone et anglophone  
Pascal Devaux  
Moyen-Orient, Balkans  
Hélène Drouot  
Corée, Thaïlande, Philippines, Mexique, pays andins  
Salim Hammad  
Amérique latine  
Johanna Melka  
Inde, Asie du Sud, Russie, Kazakhstan, CEI  
CONTACT MEDIA  
Michel Bernardini  
+33 1 42 98 05 71  
michel.bernardini@bnpparibas.com  
La banque  
d’un monde  
qui change