Taux des crédits aux grandes entreprises en France : le taux des prêts au-delà d’un million d’euros, mensuel depuis 2003

Ce jeu de données suit le taux d’intérêt moyen des crédits nouveaux d’un montant supérieur à 1 million d’euros accordés aux sociétés non financières françaises, tel que publié par la Banque de France dans ses statistiques MIR1, mensuellement depuis janvier 2003, soit 280 observations. Les prêts de cette taille vont très majoritairement aux grandes entreprises, celles qui peuvent aussi émettre des obligations et mettre les banques en concurrence : ce taux se comporte donc comme un prix de gros. C’est la jambe la plus volatile du crédit aux entreprises françaises. Ses plus forts mouvements sur douze mois, une baisse de 3,71 points jusqu’en septembre 2009 et une hausse de 3,01 points jusqu’en juillet 2023, dépassent tous deux ce qu’a connu le crédit jusqu’à 1 million d’euros.

Jeu de données : taux des crédits aux grandes entreprises (2003–2026) · Mis à jour le 2026-06-01

Source : Banque de France, Webstat MIR1 · crédits nouveaux aux SNF, montants supérieurs à 1 M€

Lecture macro

Fiche du jeu de données

Variables du fichier

Les fichiers CSV, Excel et JSON contiennent les colonnes suivantes.

Les noms de colonnes correspondent exactement aux en-têtes du CSV.

Télécharger le jeu de données complet

Le fichier complet du taux des crédits aux grandes entreprises est disponible en CSV et en Excel.

Accès CSV direct – jeu de données structuré Eco3min

https://eco3min.fr/dataset/fr/fr-corporate-loan-rate-large.csv

Cette URL renvoie le fichier complet au format CSV. Elle s’utilise directement dans pandas, R, curl ou tout autre outil. La série amont est publiée par la Banque de France via Webstat, dans le jeu MIR1.

Utiliser le jeu de données en Python

import pandas as pd

grandes = pd.read_csv("https://eco3min.fr/dataset/fr/fr-corporate-loan-rate-large.csv", parse_dates=["date"])
petites = pd.read_csv("https://eco3min.fr/dataset/fr/fr-corporate-loan-rate-small.csv", parse_dates=["date"])

df = petites.merge(grandes, on="date")
df["prime_pme"] = df["small_loan_rate"] - df["large_loan_rate"]
print(df.tail())

Utiliser le jeu de données en R

library(readr)

url <- "https://eco3min.fr/dataset/fr/fr-corporate-loan-rate-large.csv"
df <- read_csv(url)

tail(df)
summary(df$large_loan_rate)

Les deux exemples chargent le fichier directement depuis l’URL, sans téléchargement ni clé d’API.

Méthodologie

La Banque de France collecte les taux de production nouvelle auprès d’un échantillon d’établissements de crédit français dans ses statistiques MIR1, contribution nationale à l’enquête harmonisée de la zone euro. Cette ligne rend le taux annuel moyen, pondéré par les volumes, des crédits d’un montant supérieur à 1 million d’euros consentis aux sociétés non financières au cours du mois de référence, toutes maturités et toutes périodes de fixation confondues.

La catégorie n’ayant pas de borne supérieure, un petit nombre d’opérations très importantes peut peser lourd dans la moyenne mensuelle. C’est une propriété d’une statistique pondérée par les volumes sur une classe de montants non bornée, et une des raisons pour lesquelles cette série est plus bruitée que celle des petits crédits.

Le pipeline Eco3min récupère la série via DBnomics, qui reprend Webstat, puis écrit les fichiers CSV, Excel et JSON en reconstruisant l’historique complet à chaque exécution.

Qualité de la donnée et notes du producteur

Une classe de montants non bornée rend la moyenne heurtée. Un seul crédit syndiqué de plusieurs centaines de millions d’euros peut déplacer le chiffre du mois à lui seul. Un à-coup mensuel sur cette série porte moins d’information que le même à-coup sur le taux des petits crédits, et les moyennes trimestrielles sont la lecture la plus sûre.

Le crédit bancaire n’est qu’une partie du financement des grandes entreprises. Les sociétés qui empruntent dans cette classe émettent aussi des obligations et des billets de trésorerie. Quand l’émission de marché est bon marché, elles y recourent, ce qui modifie la composition de ce qui reste dans le canal bancaire et donc le taux enregistré ici, sans que leur véritable coût du capital ait changé.

Un taux sur la production nouvelle, pas sur l’encours. Les entreprises qui portent des concours conclus les années précédentes en paient toujours les conditions d’origine. Cette série décrit le prix du crédit nouveau, pas le coût moyen de la dette portée.

Délai et révisions. MIR1 publie avec environ deux mois de décalage. Le pipeline reconstruisant le fichier entier, les révisions remplacent l’historique au lieu de s’y ajouter.

Licence. Les données Webstat de la Banque de France sont publiées sous Licence Ouverte 2.0 (Etalab), qui autorise la réutilisation, y compris commerciale, sous réserve de mentionner la source.

Régimes historiques

2003–2008 – Le cycle d’avant-crise. Les moyennes annuelles passent de 3,08% à 2,83% en 2004, puis montent à 5,01% en 2008, avec le plus haut historique de 5,62% en septembre 2008. Les gros emprunteurs bénéficiaient d’un crédit moins cher que les petits sur toute la période, même si l’écart s’était resserré à environ 0,2 point en 2007.

2009–2010 – Le repricing baissier le plus violent. La moyenne annuelle est divisée par plus de deux, à 2,25% en 2009 puis 2,05% en 2010. La baisse de 3,71 points sur douze mois jusqu’en septembre 2009 est le plus fort mouvement du fichier, tous sens et toutes classes de montants confondus.

2011–2019 – La longue compression. Après un bref rebond à 2,74% en 2011 pendant la crise des dettes souveraines, les moyennes annuelles baissent huit années d’affilée, de 2,27% à 1,39%.

2020–2021 – Le plancher. La série touche son plus bas historique à 0,86% en mai 2020, avec des moyennes annuelles de 1,16% et 1,35%. Fait notable, le taux des petits crédits est descendu plus bas encore ce mois-là, à 0,62%.

2022–2024 – Le repricing, et l’inversion. La plus forte hausse sur douze mois du fichier, 3,01 points, tombe en juillet 2023. Les moyennes annuelles de 4,30% et 4,55% en 2023 et 2024 se situent au-dessus du taux des petits crédits, inversion de l’ordre habituel.

2025–2026 – Le retour sous les PME. Des moyennes de 3,53% et 3,44% rétablissent l’ordre normal, avec avril 2026 à 3,48% contre 3,76% sur les petits crédits. Le relevé courant se situe au 77e percentile de son propre historique, plus haut en relatif que ne l’est le taux des PME dans le sien.

Jeux de données liés

Un taux sur gros crédits se lit face à son pendant PME, à la prime qui les sépare, et aux conditions de marché qu’il suit.

Base de données macro-financières

Ce jeu de données fait partie du référentiel macro-financier Eco3min.

Explorer les jeux de données Eco3min

Sources

• Banque de France – Webstat, statistiques MIR1, crédits nouveaux aux sociétés non financières supérieurs à 1 million d’euros, série M.FR.B.A20.A.R.1.2240U6.EUR.N
• Licence Ouverte 2.0 (Etalab), réutilisation autorisée avec mention de la source
• Eco3min Research – compilation structurée du jeu de données

Référence du jeu de données

Eco3min Research. (2026). Taux des crédits aux grandes entreprises en France, données mensuelles (2003–2026).<br> https://eco3min.fr/taux-credit-grandes-entreprises-france-dataset/