D'où proviennent nos données de noms sud-coréens

La Corée du Sud dispose d'un véritable recensement des noms de famille, ce qui la place dans un club très restreint. Elle a aussi un problème de système d'écriture qui casse silencieusement la plupart des jeux de données construits à partir de ce recensement, y compris — pendant un temps — le nôtre. Si vous prenez pour argent comptant le tableau coréen publié des noms de famille, vous vous tromperez sur le quatrième nom de famille le plus répandu du pays. Pas un peu faux : mauvais rang, mauvais chiffre, mauvais nom.

Cette page documente la source que nous avons utilisée, l'endroit où la mesure s'arrête et où l'estimation commence, le piège hanja/hangul et les pièges apparentés, ainsi que le plafond sur lequel nous avons buté et que nous ne pouvions honnêtement pas franchir.

Le registre utilisé

Le recensement de 2015 est le dernier relevé exhaustif des noms de famille ; pour ce module, le recensement suit un cycle de 15 ans, si bien qu'en 2026 il n'existe rien de plus récent.

Ce que nous avons mesuré et ce que nous avons estimé

Mesuré. La tête. Les poids sont une remise à l'échelle des effectifs du recensement par rapport à 김 :

weight = round(255 × share / share(김))

avec 김 = 21,5 %. L'ordre et les écarts dans les rangs supérieurs sont ceux du recensement, pas les nôtres.

Estimé. La queue, et l'agrégation en hangul.

L'agrégation en hangul a son importance, et nous tenons à être explicites sur ce point : le tableau principal de KOSTAT est organisé autour de noms de famille identifiés par leur hanja. Notre corpus stocke du hangul. Fusionner 鄭 et 丁 en une seule entrée 정 relève de l'arithmétique sur des chiffres publiés, donc de la mesure — mais fusionner tout correctement suppose de connaître la composition en hanja de chaque syllabe hangul, et pour la queue nous ne la connaissons pas. En dessous du rang 30 environ, considérez notre agrégation en hangul comme faite au mieux, non auditée.

Pas mesuré du tout : les clans. Nous y revenons plus bas.

Pièges propres à la Corée du Sud

Hanja contre hangul — 정 est 鄭 et 丁 à la fois

C'est le problème central, et tout le reste en découle.

Un nom de famille coréen est historiquement un caractère hanja. Les enregistrements modernes, et notre corpus, stockent du hangul. La correspondance n'est pas biunivoque : une même syllabe hangul peut porter plusieurs noms de famille sans lien entre eux.

La conséquence est une inversion de rang, pas un écart d'arrondi. Dans le tableau hanja publié, 최 (4,70 %) devance 정(鄭) (4,33 %), et 정 occupe le rang 5. En hangul — c'est-à-dire ce que contient réellement un champ de formulaire coréen — 정 est à 4,84 % et dépasse 최. C'est le rang 4.

Le même décalage déplace l'agrégat : le top 10 pèse 63,9 % en hanja et 65,8 % en hangul. Le chiffre de 63,9 % est celui que KOSTAT a mis dans son communiqué de presse et celui que tout le monde cite. Il est exact, et c'est le mauvais chiffre pour un jeu de données en hangul. Le nôtre utilise 65,8 %.

본관 n'est pas un nom de famille — ne l'additionnez pas

Le piège voisin. 김해 김씨 — Gimhae Kim — est un clan (본관), une lignée rattachée à un siège ancestral, et non un nom de famille distinct. La Corée en compte 36 744 ; 김해 김 à lui seul représente 4,457 millions de personnes (9 % de la population), 밀양 박 6,2 % et 전주 이 5,3 %.

Quiconque récupère un tableau de clans et traite les lignes comme des noms de famille produit un jeu de données magnifiquement détaillé qui décrit autre chose qu'une distribution de noms de famille. Le tableau des noms de famille de KOSTAT additionne déjà les clans. Ce qu'il faut séparer, ce sont les homographes hanja. Ce qu'il faut laisser tranquille, ce sont les clans. Les deux tirent en sens inverse et ressemblent tous deux à « le même nom qui apparaît deux fois ».

Il existe un seuil de confidentialité — l'absence ne prouve rien

Cela mérite d'être dit clairement, car c'est exactement l'inverse de Taïwan. Le recensement de 2015 publie les noms de famille portés par cinq personnes ou plus et regroupe le reste sous 기타. Un nom de famille coréen absent des données du recensement peut donc avoir quatre porteurs, ou zéro, et le tableau publié ne peut pas vous dire lequel des deux.

Cela signifie que la logique de suppression que nous avons appliquée aux données taïwanaises — absent du registre, donc zéro porteur, donc à supprimer — est invalide pour la Corée. Autre pays, autre règle de divulgation, conclusion inverse à partir d'indices d'apparence identique.

Combien de noms de famille la Corée compte-t-elle ? Personne n'est d'accord

Une phrase largement reprise affirme que la Corée est passée de 286 noms de famille en 2000 à 5 582 en 2015 — une explosion d'un facteur vingt en quinze ans, portée par des citoyens naturalisés qui écrivent des noms de famille étrangers en hangul.

Les deux chiffres sont publiés et les deux sont réels, mais ils ne comptent pas le même objet, et le rapport entre eux n'a aucune signification :

• 286 est le nombre de noms de famille coréens traditionnels, dérivés de hanja, enregistrés autour du recensement de 2000 (à côté de 4 179 clans).
• 5 582 est le nombre de chaînes hangul distinctes collectées en 2015, dont 73 % n'ont aucun hanja correspondant — c'est-à-dire majoritairement des noms d'origine étrangère.
• La formulation de KOSTAT elle-même parle de « plus de 4 800 nouveaux noms de famille depuis 2000 », ce qui implique une base de référence en 2000 proche de 780, et non de 286.
• Une autre lecture du même recensement fait état de 1 507 noms de famille et de 36 744 clans.
• Le décompte par Wikipédia des données de 2015, restreint aux noms portés par cinq personnes ou plus, donne 191 noms de famille hangul distincts et 514 noms de famille hanja distincts.

Les décomptes publiés pour un même recensement vont donc de 191 à 5 582, selon que l'on compte des chaînes hangul ou des caractères hanja, et selon que l'on applique ou non le plancher des cinq porteurs. Nous ne savons pas combien de noms de famille compte la Corée, et personne d'autre ne le sait non plus en un seul chiffre. Ce qui est clair, c'est la direction : la naturalisation ajoute rapidement des noms de famille en hangul seul, et la concentration au sommet n'a pas bougé du tout (63,9 % en 2015 contre 64,1 % en 2000).

Notre corpus contient 184 noms de famille en hangul, ce qui est à rapprocher du chiffre de 191 noms hangul portés par 5 personnes ou plus, et non de 5 582.

Le plafond uint8 — pourquoi notre top 10 s'arrête à 60,6 %

La chose la plus utile que nous puissions dire du jeu de données coréen, c'est là où il échoue.

Les poids tiennent sur 8 bits : de 1 à 255. L'amplitude réelle de la Corée n'y entre pas. 김 représente 21,5 % de la population ; le nom de famille 다 compte sept porteurs. Cela fait un rapport d'environ 1 527 138 : 1. L'échelle en offre 255 : 1.

La conséquence arithmétique est directe. Une unité de poids vaut ~41 921 personnes, si bien qu'environ 130 noms de famille ultra-rares reposent sur un plancher qui les surestime de trois ordres de grandeur, ce qui ajoute quelque 8 % de masse fantôme au dénominateur. La part du top 10 dans le fichier s'établit donc à 60,6 % là où la réalité est de 65,8 %.

Cet écart n'est pas un raté de calibrage. Le combler exigerait de supprimer du corpus ~65 noms de famille coréens authentiques — ce qui revient à ajuster les données à la cible, or la cible n'est pas ce sur quoi nous cherchons à avoir raison. Quelques points de déficit sur une locale aussi concentrée sont la bonne réponse, pas un défaut.

Top 10

⚠ Trois choses que ce tableau vous dit. Premièrement, les rangs 4 et 5 sont intervertis par rapport à toutes les listes publiées du top 10 coréen, et c'est délibéré — voyez la section hanja/hangul. Deuxièmement, les effectifs de porteurs pour les rangs 4–10 sont les décomptes en hanja issus de la publication de KOSTAT, arrondis tels que publiés ; pour les lignes fusionnées, ils sont donc inférieurs à ce que laisse entendre la part en hangul, car le second hanja n'y est pas inclus. Troisièmement, les rangs 8, 9 et 10 portent tous le poids 24 — tout comme 신 au rang 11. À cette résolution, le fichier ne peut pas les distinguer. Le recensement publié, lui, le peut. Nous, non, sur une échelle entière aussi abrupte.

Limites connues

• La part du top 10 est de 60,6 % contre 65,8 % dans la réalité. Structurel, documenté plus haut, non corrigeable dans une échelle 8 bits.
• La queue est surpondérée jusqu'à ~1000×. ~130 noms de famille reposent sur un plancher valant ~41 921 personnes.
• Les rangs 8–11 sont à égalité et non ordonnés dans notre fichier. Le recensement les ordonne ; notre échelle ne le peut pas.
• L'agrégation en hangul en dessous du rang ~30 n'est pas auditée. Nous avons fusionné les homographes que nous pouvions documenter. Nous ne les avons pas tous vérifiés.
• Les données datent de 2015. Le module des noms de famille suit un cycle de recensement de 15 ans. Le prochain sera celui de 2030. Les noms de famille issus des naturalisations — la partie la plus mouvante de cette distribution — ont onze ans de retard et sont sous-comptés.
• Aucune dimension de clan. Nos données ne savent pas distinguer un Gimhae Kim d'un Gyeongju Kim. Cette distinction est socialement réelle et s'étend sur 36 744 lignes, et nous ne la reprenons pas.
• Notre part du top 10 dans le fichier et la part de population sont deux chiffres différents, avec des dénominateurs différents. Ne « corrigez » pas l'un à l'aide de l'autre.

Données arrêtées au 2026-07-17

Date de référence du recensement : 1er novembre 2015. Jeu de données recalibré : 17 juillet 2026 (part du top 10 : 53,0 % → 60,6 %). Corpus : 184 noms de famille en hangul. Les fichiers masculin et féminin sont identiques octet pour octet — les noms de famille coréens ne varient pas selon le genre.

Sources

• KOSTAT — 2015 인구주택총조사 전수집계 결과 (communiqué de presse)
• List of Korean surnames — Wikipedia
• Korean clans — Wikipedia
• Foreign-origin family names on rise in South Korea — The Korea Herald
• 가장 많은 성씨는 역시 '金·李·朴' — 아시아경제