In the Canadian large value payment system an important goal is to understand how liquidity is transferred through the system and hence how efficient the system is in settling payments. Understanding the structure of the underlying network of relationships between participants in the payment system is a crucial step in achieving the goal. The set of nodes in any given network can be partitioned into a number of groups (or “communities”). Usually, the partition is not directly observable and must be inferred from the observed data of interaction flows between all nodes. In this paper we use the statistical model of Čopič, Jackson, and Kirman (2007) to estimate the most likely partition in the network of business relationships in the LVTS. Specifically, we estimate from the LVTS transactions data different “communities” formed by the direct participants in the system. Using various measures of transaction intensity, we uncover communities of participants that are based on both transaction amount and their physical locations. More importantly these communities were not easily discernible in previous studies of LVTS data since previous studies did not take into account the network (or transitive) aspects of the data., Il est important de bien saisir comment les liquidités transitent dans le Système de transfert de paiements de grande valeur (STPGV) canadien et, ainsi, d’évaluer l’efficience avec laquelle les paiements sont réglés. Pour ce faire, il est essentiel de comprendre la structure du réseau de relations sous-jacent qui lie entre eux les participants au système. Les noeuds que comporte un réseau, quel qu’il soit, se partagent en un certain nombre de groupes (ou « communautés »). Le plus souvent, cette répartition n’est pas directement observable et doit être déduite des données observées sur les interactions entre tous les noeuds. Dans notre étude, nous utilisons le modèle statistique de Čopič, Jackson et Kirman (2007) pour estimer la répartition la plus probable des noeuds du réseau de relations opérationnelles à l’intérieur du STPGV. Plus précisément, nous cernons, à partir des données sur les opérations, les différentes communautés que forment les participants directs au système. En faisant appel à diverses mesures de l’intensité des opérations, nous mettons au jour des communautés de participants fondées tant sur la valeur de leurs opérations que sur leur emplacement géographique. Il s’agit là d’une avancée importante, car les études antérieures sur les données du STPGV permettaient difficilement de discerner les communautés du fait qu’elles ne tenaient pas compte des aspects transitifs des données.