Quarante-huit sur cinq cents : une liste classique de noms de famille face à un registre

Le 百家姓 — les Cent noms de famille — est un manuel scolaire chinois du XIe siècle. C'est une suite rimée de noms de famille, composée pour apprendre les caractères aux enfants, et elle est rééditée sans interruption depuis quelque neuf cents ans. C'est aussi, aujourd'hui encore, ce vers quoi les gens se tournent quand il leur faut « une liste de noms de famille chinois », y compris les gens qui développent des logiciels.

Nous l'avons confronté à un registre moderne comptant chaque nom individuellement. Sur les 500 entrées distinctes de la version que nous avons testée, 48 n'ont aucun porteur dans ce registre — non pas peu de porteurs, non pas des effectifs supprimés, zéro. 39 de ces 48 sont des noms de famille à deux caractères.

Cela ressemble à une histoire de noms de famille composés en voie de disparition. Ce n'en est pas une, et ce qui l'en empêche constitue la moitié la plus intéressante : les vrais noms de famille composés sont bien vivants et dénombrables, et le plus fréquent du registre ne figure pas du tout dans la liste classique.

Le registre

La comparaison ne fonctionne que grâce à une propriété inhabituelle de la source. Le ministère de l'Intérieur de Taïwan publie les effectifs par nom de famille sans seuil de confidentialité : 643 noms de famille avec exactement un porteur, 406 avec exactement deux, et ainsi de suite jusqu'en bas. La plupart des organismes statistiques suppriment les petits effectifs, ce qui rend l'absence ambiguë — un nom de famille manquant peut être rare, peut être supprimé, peut résulter d'une erreur d'analyse. Ici, manquant signifie zéro.

Nous avons traité ce registre, sa licence, ses particularités et l'écart entre 2 731 et 1 785 séparément, dans sa propre documentation — voir D'où viennent nos données de noms taïwanaises. Cet article ne porte pas sur le registre. Il porte sur ce qui arrive à une liste historique quand on la confronte à un registre.

⚠ Une chose à garder à l'esprit d'un bout à l'autre : ce registre couvre 23 millions de personnes, pas les 1,4 milliard du monde sinophone. « Zéro porteur à Taïwan » est un fait solide et vérifié. « Éteint » est une affirmation portant sur une population bien plus vaste, que ce fichier ne peut pas étayer, et nous ne la formulons pas. Ce que le fichier peut prouver, c'est qu'une liste produite au XIe siècle ne décrit pas les noms de famille d'une population donnée du XXIe siècle — soit exactement l'affirmation que l'on formule implicitement en s'en servant comme source de données.

Le résultat, ventilé par longueur d'entrée

La moitié à un caractère de la liste est en excellent état : 98 % de ses entrées ont des porteurs vivants. La moitié composée est un pile ou face qui tombe mal — près des deux tiers n'ont personne.

Les neuf entrées à un caractère absentes sont 薊, 充, 終, 弘, 夔, 融, 空, 養 et 郈. Huit d'entre elles n'apparaissent nulle part dans le registre, sous aucune forme ; 弘 ne survit qu'à l'intérieur d'une entrée à trois caractères, 卜思弘, portée par une seule personne.

Les 39 composés absents sont le mobilier classique du genre : 萬俟, 聞人, 公冶, 宗政, 單于, 太叔, 公孫, 仲孫, 鍾離, 宇文, 長孫, 閭丘, 司空, 丌官, 司寇, 仉督, 子車, 巫馬, 公西, 漆雕, 樂正, 壤駟, 公良, 拓跋, 夾谷, 宰父, 穀梁, 段干, 百里, 東郭, 南門, 歸海, 羊舌, 微生, 梁丘, 左丘, 東門, 西門, 南宮.

Plusieurs d'entre eux sont célèbres. 長孫 et 宇文 sont les noms de famille de l'aristocratie des Tang et des Zhou du Nord. 公孫 et 司空 parcourent tout le canon classique. Leur célébrité est précisément le problème : un nom de famille que tout le monde a lu n'est pas un nom de famille que quelqu'un porte.

La moitié qui garde l'article honnête

Si l'histoire s'arrêtait là, la conclusion naturelle serait que les noms de famille à deux caractères sont un archaïsme et que tout jeu de données qui les transporte fait du remplissage avec de la poésie. Cette conclusion est fausse, et le registre le dit en chiffres.

Noms de famille composés de la liste classique qui ont bel et bien des porteurs :

23 des 62 composés de la liste sont réels. 慕容 et 呼延 ont exactement un porteur chacun, et 澹台 en a deux — ce qui signifie qu'un nettoyage guidé par « ça a l'air archaïque, on supprime » aurait supprimé des personnes réelles, identifiables et vivantes. Rien dans l'apparence de 慕容 ne le distingue de 東郭. Seul le compteur le fait.

Et voici maintenant le constat qui recadre tout l'exercice. Le registre contient 1 062 entrées de noms de famille à plusieurs caractères. Seules 23 d'entre elles proviennent de la liste classique. Les 1 038 autres n'y figurent pas du tout — y compris chacun des plus fréquents :

Le nom de famille composé le plus fréquent à Taïwan est 張簡, avec 9 162 porteurs, et la liste classique n'en a jamais entendu parler. Ni de 范姜, ni de 張廖, ni de 周黃, 江謝, 姜林 ou 翁林 — qui tous devancent 端木, 諸葛 et 司馬, les composés par lesquels s'ouvre toute liste de « noms de famille composés chinois ».

Ce sont des noms de famille composés formés par l'accolement de deux noms de famille existants, une pratique associée à l'adoption et aux arrangements de double lignée, et fortement représentée dans les communautés hakka. (Cette dernière phrase relève du contexte, ce n'est pas quelque chose que nous aurions déduit du fichier ; ce que le fichier prouve, ce sont les effectifs et l'absence.) Le mécanisme qui les produit fonctionnait encore des siècles après la rédaction du manuel, et il fonctionne toujours.

Le résumé correct n'est donc pas « les noms de famille composés sont morts ». C'est : la liste historique se trompe sur les noms de famille composés dans les deux sens à la fois. Elle en transporte 39 qui n'ont plus de porteurs, et il lui manque les 1 038 qui en ont — 21 087 personnes qu'aucun jeu de données dérivé d'une liste ne contient tout simplement.

Ce en quoi la liste classique est réellement bonne

Il serait injuste, et faux, de conclure que le manuel est inutile. Mesuré à l'aune du registre :

Lisez ces deux lignes ensemble et le vrai caractère de la liste apparaît. Comme liste des noms de famille que portent la plupart des gens, elle est excellente — 452 entrées couvrent presque 99 % d'une population de 23 millions. Comme liste des noms de famille qui existent, elle se trompe d'un facteur six.

Cette asymétrie n'est pas une bizarrerie propre à ce manuel. C'est ce que toute distribution à tête lourde fait à toute liste curatée : réussir la tête est facile, réussir la queue est un autre travail, qui exige un autre type de source. Une liste qui capte 98,84 % des personnes tout en manquant 83 % des noms de famille n'est pas « globalement juste ». Elle a raison sur une question et tort sur l'autre, et vues de l'intérieur du fichier les deux questions semblent identiques.

Trois autres façons dont la liste n'est pas un classement

L'ordre n'est pas l'ordre de fréquence. Le manuel s'ouvre sur 趙錢孫李 — Zhao, Qian, Sun, Li. Dans le registre, ils occupent les rangs 44, 101, 49 et 5. 趙 ouvre le manuel parce que c'était le nom de famille impérial de la dynastie Song, sous laquelle le texte a été compilé ; la suite est dictée par la rime. Les cinq premiers réels sont 陳, 林, 黃, 張, 李, et seul 李 se trouve à peu près en tête de la séquence classique. Qui utilise l'ordre de la liste comme approximation de la fréquence — et les générateurs le font — obtient une distribution fausse dès la position un.

Le caractère n'est pas le nom de famille. Quatre des 100 premiers noms de famille du registre sont totalement absents de la liste, et tous les quatre sont des variantes orthographiques d'entrées qui, elles, y figurent :

La paire 温/溫 est la plus frappante : la variante absente de la liste classique a trois fois plus de porteurs que celle qui y figure. Une règle du type « utiliser la forme canonique de la liste » supprimerait 42 171 personnes et en garderait 13 956. Le registre des ménages consigne la forme écrite, et les deux formes sont légales ; il n'existe pas de caractère canonique sur lequel se rabattre, seulement une table.

La liste n'a pas de longueur fixe. La version que nous avons testée porte 500 entrées distinctes — 438 à un caractère et 62 composées. Le chiffre le plus souvent cité est 504 (444 à un caractère, 60 composées). L'original des Song est généralement donné à 411. Les éditions diffèrent, les extensions ultérieures diffèrent, et les transcriptions diffèrent des deux.

Ce n'est pas une note de bas de page — c'est disqualifiant pour l'usage que les gens font de la liste. Un dénominateur qui varie de 20 % d'une édition à l'autre ne peut pas soutenir une affirmation de la forme « N des noms de famille classiques sont éteints ». Notre propre 48-sur-500 est borné par le même problème : ce sont 48 de cette reconstruction. Ce qui survit du chiffre, c'est la forme du résultat — le fait que la section composée échoue autour de 60 % tandis que la section à un caractère échoue autour de 2 % — parce que ce rapport ne bouge pas quand l'édition change.

Pourquoi des listes de ce genre continuent d'être utilisées comme données

Trois propriétés font qu'une liste historique a l'air d'un jeu de données alors qu'elle n'en est pas un :

1. Elle a l'air complète. Elle a un contenu fixe, un ordre et un nom qui a tout l'air de faire autorité. Les registres sont brouillons, partiels et pénibles à analyser. La liste, elle, est un tableau propre.
2. Elle est exempte de frictions de licence. Un texte du XIe siècle n'a ni droits de base de données, ni obligation d'attribution, ni conditions d'utilisation. Un registre moderne peut avoir les trois. La source la moins chère est très souvent la plus ancienne, et la pression sur les coûts sélectionne silencieusement l'ancienneté.
3. Elle a globalement raison, d'une manière qui masque l'échec. Le chiffre de couverture de 98,84 % signifie qu'un jeu de données construit à partir de la liste paraîtra correct dans tout test superficiel. Les défaillances vivent dans la queue et dans les composés — c'est-à-dire exactement dans les entrées qu'un relecteur remarquerait le moins et qu'un générateur produirait le plus rarement.

La forme générale : une liste historique est un instantané du prestige au moment de sa rédaction ; un registre est un recensement des vivants. Elles répondent à des questions différentes et divergent dans les deux sens. Toute liste de noms, de lieux ou de catégories plus ancienne que la population à laquelle on l'applique possède cette propriété — un onomasticon du XIXe siècle, un dictionnaire toponymique des paroisses, un canon des métiers « traditionnels ». Le 百家姓 est simplement le cas où l'écart peut être mesuré exactement, parce que l'un des deux côtés publie jusqu'à la personne près.

Ce que nous avons fait du résultat

Nos propres données de noms de famille taïwanais comptent 2 707 entrées, chacune portant textuellement l'effectif de porteurs du registre, et couvrent 99,98 % de la base de population. C'est un sous-ensemble du registre plutôt qu'une liste curatée, si bien qu'aucune des 48 entrées fantômes n'y figure ; le contrôle en a trouvé zéro. Elles contiennent 慕容 avec un poids de 1 et 澹台 avec un poids de 2, parce qu'ils sont réels. Elles contiennent 張簡 à 9 162, parce qu'il est réel et fréquent.

Cet état de fait est récent. Une version antérieure du même fichier était construite en partie à partir du texte classique et transportait bel et bien des entrées archaïques sans porteurs ; elles ont été retirées dès que nous avons disposé d'effectifs par nom pour les retirer. L'histoire complète de ce nettoyage — y compris l'entrée que nous avons failli supprimer sur sa seule apparence et qu'il a fallu remettre — se trouve dans Ce que nous avons mal compris sur les données de noms.

La règle que nous en avons tirée, et celle pour laquelle cet article existe :

Une liste classique vous dit ce qu'une culture jugeait digne d'être enseigné. Un registre vous dit comment les gens s'appellent. Servez-vous de la première pour lire et du second pour compter, et ne laissez jamais une liste décider de ce qu'il faut supprimer.

Données arrêtées au 2026-07-21

Tous les chiffres ont été recalculés le 21 juillet 2026 à partir du fichier de registre primaire, et non de nos propres notes ou de rapports antérieurs. Les rangs sont les positions dans le registre ordonné par effectif de porteurs ; là où aucun rang n'est indiqué, l'entrée se situe hors de l'ensemble classé que nous avons mis en tableau. Les parts sont calculées sur la base de population du registre, soit 23 373 283.

Ce qui est mesuré et ce qui ne l'est pas :

• Mesuré : chaque effectif, chaque rang, chaque présence et chaque absence de cet article, calculés par comparaison exacte de chaînes avec le fichier du registre. Les pièges au niveau des octets ont été contrôlés et aucun ne s'est déclenché — pas de marque d'ordre des octets, pas d'espace de largeur nulle ni d'espace insécable, pas de discordance entre caractères simplifiés et traditionnels, pas de glissement de normalisation Unicode.
• Non mesuré : tout ce qui touche à la Chine continentale, et tout ce qui touche à l'existence d'un nom de famille hors de Taïwan. « Absent » signifie partout absent de ce registre.
• Contexte, non dérivé : les notes historiques sur la raison pour laquelle le manuel s'ouvre sur 趙, et sur l'origine des noms de famille doubles formés par accolement. Ce sont des éléments de contexte ; les chiffres tiennent sans eux.
• Dépendant de l'édition : le dénominateur de 500. Voir la section ci-dessus.

Sources :

• Taïwan, ministère de l'Intérieur — 姓氏排名與人數按三階段年齡分 (rang des noms de famille et population par trois tranches d'âge), date de référence 30 juin 2023, 2 731 noms de famille distincts, base de population 23 373 283, Government Open Data Licence v1. <data.gov.tw/dataset/126774&gt;
• 百家姓 — le manuel classique, dans une reconstruction largement diffusée comptant 438 entrées à un caractère et 62 entrées à deux caractères (500 distinctes). Les éditions varient ; le total couramment cité est 504.
• Pages liées : D'où viennent nos données de noms taïwanaises pour le registre lui-même, et Ce qui compte comme nom de famille pour les questions de définition qui sous-tendent tout cela.