Quatre noms de famille qui n'existent pas : trouver des erreurs dans les statistiques publiques officielles

Le fichier des noms de famille du recensement de 2010 de l'US Census Bureau indique que HALL est porté par 407 076 Américains. Le fichier de 2000 en annonçait 473 568. Entre ces deux recensements, la population des États-Unis a augmenté d'environ 9,7 %, et HALL a apparemment reculé de 14,0 %.

Deux lignes plus bas, dans le même fichier, se trouve HAIL, avec 86 240 porteurs. En 2000, HAIL en comptait 2 860.

Un nom de famille ne se multiplie pas par trente en dix ans. Ce qui s'est passé, c'est que, quelque part dans la chaîne de traitement de 2010, la troisième lettre de HALL a été lue comme un I, et qu'un nom de famille a été scindé en deux. Cet article explique comment on trouve de tels défauts — non pas en connaissant les noms de famille américains, ce qui n'aurait servi à rien, mais en confrontant un fichier à lui-même.

Chaque cas exposé ci-dessous est réel, a été découvert le 18 juillet 2026 lors de la construction de données d'adresses et de noms pour 64 locales, et l'a été par l'arithmétique.

Le défaut de substitution de lettre du recensement américain

Le motif HALL/HAIL n'est pas isolé. La même substitution L→I en troisième position apparaît quatre fois, et les quatre cas se comportent de façon identique :

Ne lisez que la colonne « tel que publié » et vous obtenez quatre noms de famille bien établis qui s'effondrent chacun de son côté de 14–17 % en une décennie où le pays, lui, a grandi. Fusionnez chacun avec son jumeau et les quatre atterrissent dans une bande de 1,6 point comprise entre +4,2 % et +5,8 % — modeste, mutuellement cohérente, sans rien de remarquable.

La preuve la plus forte, et celle par laquelle nous commencerions aujourd'hui, est l'histoire propre des jumeaux :

Ce sont tous de vrais noms de famille, rares : ils existaient déjà en 2000 avec quelques milliers de porteurs chacun. Les noms de famille rares ne croissent pas d'un facteur neuf en une décennie, et encore moins d'un facteur trente. Chaque jumeau a absorbé une part de son parent.

Un troisième contrôle, indépendant, le confirme. Le fichier du recensement publie, pour chaque nom de famille, la répartition en pourcentage des porteurs entre des catégories déclarées par les intéressés eux-mêmes. Si HAIL était réellement un nom de famille distinct qui se serait simplement mis à croître, sa répartition lui serait propre. Or :

Deux décimales d'écart. HAIL est un échantillon aléatoire de HALL, ce qui est exactement ce que produit une substitution de caractère de type OCR. (BAIL/BALL concordent de la même manière ; WAITERS/WALTERS non — 74,5/20,0 contre 82,9/11,3 — très probablement parce que WAITERS est aussi un véritable nom de famille de métier, si bien que cette ligne est un mélange plutôt qu'une scission nette. Qu'une empreinte sur quatre échoue est en soi instructif.)

Nous n'utilisons ici ces répartitions que comme empreinte forensique servant à détecter une ligne dupliquée. Elles ne portent aucune signification quant aux noms et aux populations, et nous n'en tirons aucune.

Ouganda : un recensement où tout un bloc porte la mauvaise étiquette

L'Uganda Bureau of Statistics publie les résultats du recensement de 2014 sous forme de PDF régionaux, tabulés en hiérarchie : district, puis sub-county, puis parish. Une fois analysés, cela fait 9 040 lignes.

Le défaut ne réside dans aucun nombre pris isolément. Il tient à ce que les en-têtes de district dérivent : là où une ligne d'en-tête de district manque, chaque sub-county suivant hérite du nom du district précédent, et une longue série de localités finit classée sous un district dont elle n'est en rien voisine.

Vous n'avez pas besoin de connaître la géographie ougandaise pour le repérer. Le total déclaré d'un district et la somme de ses propres enfants sont deux nombres qui doivent grossièrement concorder. Calculez le rapport :

Sept districts sur 126 dépassent leur total déclaré de plus de 1,5×. Les autres se regroupent près de 1,0, et c'est précisément cela qui vous dit que les sept sont des défauts et non une particularité de la façon dont le recensement compte.

Kayunga est le cas le plus net. Ses enfants comprennent Kyengera Town Council, Nansana Division, Kasangati Town Council, Bweyogerere Division, Nabweru Division et Katabi Town Council — qui se trouvent tous dans le district de Wakiso, la couronne de banlieues denses autour de Kampala. Tout le bloc Wakiso est classé sous Kayunga. De même, Kyazanga Town Council et Lwengo Town Council apparaissent sous Kyankwanzi ; tous deux sont dans le district de Lwengo.

Quiconque construit une liste de villes à partir de ce fichier en se fiant à la colonne du district se retrouve avec les plus grandes banlieues de l'Ouganda affectées au mauvais district — et cela se produit silencieusement, parce que chaque chiffre de population pris individuellement est correct. Seules les étiquettes ont bougé.

Une correction à notre propre note antérieure. Nous avions consigné que le bloc étiqueté Kiboga contenait en réalité les sous-districts de Kyankwanzi, et que les données propres à Kiboga étaient absentes. Après un nouveau contrôle du fichier analysé, ce n'est pas ce qu'il montre : Kiboga District y figure avec un total plausible de 148 218, et ses enfants (Kiboga Town Council 19 338, Bukomero Town Council 14 182) totalisent moins que cela. La dérive est réelle, mais elle va de Wakiso→Kayunga et de Lwengo→Kyankwanzi, non de Kyankwanzi→Kiboga. La note antérieure était erronée et est remplacée par celle-ci.

Wikipédia : la mauvaise ligne, recopiée

Pour la ville ougandaise de Mbarara, Wikipédia a affiché une population de 195 531.

Dans le fichier de recensement de l'UBOS, 195 531 est la population de Kyengera Town Council — une banlieue de Kampala située à quelque 260 km de là. Le total propre au district de Mbarara est de 472 629, et le chiffre de la municipalité de Mbarara est encore un autre nombre.

Il n'y a aucune ambiguïté sur ce qui s'est produit : quelqu'un qui lisait un long PDF tabulé a pris la valeur sur la mauvaise ligne. C'est l'erreur la plus banale de cet article, et probablement la plus largement propagée, car un chiffre de population tiré de Wikipédia est recopié bien plus souvent qu'un PDF de recensement n'est ouvert.

Le contrôle qui l'attrape est le même d'un bout à l'autre : un nombre ne devrait apparaître qu'à un seul endroit. Si un chiffre pour la ville A est identique octet pour octet à un chiffre pour la ville B dans le document source, l'un des deux est une transcription.

Argentine : deux choses différentes qui portent le même nom

Le dernier cas ne comporte ni caractères corrompus ni étiquettes déplacées. Chaque nombre est correct. Le défaut est que deux choses incompatibles sont publiées dans la même colonne.

Les tableaux de population argentins mélangent les niveaux administratifs. Pour San Carlos de Bariloche, le municipio compte 112 887 habitants et la localidad 109 305. Pour Trelew, 99 430 contre 97 915. Agrégez une liste nationale de villes sans contrôler quelle unité utilise chaque ligne et vous obtenez un tableau qui est, sur la plupart des lignes, incohérent avec lui-même de quelques pour cent — et, pour les villes où le municipio englobe l'habitat environnant, de bien davantage.

C'est le seul cas de cet article que nous n'avons pas pu reconstituer à partir d'un fichier primaire de nos propres données de travail, et nous le signalons donc comme tel : le mécanisme est bien documenté, et les paires précises données ci-dessus proviennent de nos notes de session plutôt que d'un fichier source que nous pouvons rejouer. Tenez les chiffres individuels pour indicatifs et le mécanisme pour l'essentiel.

Ce mécanisme se généralise bien au-delà de l'Argentine, et il fait l'objet d'un article complémentaire sur ce qui compte comme une « ville » — voir Pourquoi les générateurs d'adresses produisent des villes implausibles, où la même ambiguïté transforme Sydney soit en 200 000 habitants, soit en 5,3 millions, selon la limite que l'on accepte.

La méthode

Aucun de ces défauts n'a été trouvé en regardant les données et en sentant que quelque chose clochait. Chacun est venu d'un contrôle qui aurait pu répondre « tout va bien » et qui ne l'a pas fait :

1. Contrôlez la dynamique d'un recensement à l'autre. Un effectif qui s'écarte largement de la tendance nationale est soit un événement, soit un défaut. Les deux méritent d'être connus. HALL à −14,0 % contre +9,7 % a été le point d'entrée vers tout le reste dans le fichier américain.
2. Contrôlez les facteurs de croissance sur les petites entrées. Ce qui est rare ne devient pas courant rapidement. Un ×30 sur un nom de famille de 2 860 porteurs est un signal plus fort que tout ce qui arrive à HALL lui-même, parce que les entrées rares n'ont aucun moyen légitime de bouger autant.
3. Contrôlez que les parties s'additionnent en un tout. Total déclaré d'un district contre somme de ses enfants. Ce seul test a trouvé les sept blocs ougandais mal étiquetés et n'exige aucune connaissance du pays.
4. Contrôlez qu'un nombre n'apparaît qu'une seule fois. Des valeurs identiques sur deux entités différentes signifient une transcription, pas une coïncidence.
5. Contrôlez l'unité avant la valeur. Municipio ou localidad, porteurs ou positions, ville proprement dite ou aire métropolitaine. Un nombre correct sous la mauvaise unité est le défaut le plus difficile à voir, parce que rien en lui n'a l'air faux.
6. Cherchez une seconde empreinte. Là où un fichier porte des colonnes auxiliaires, une ligne dupliquée les duplique généralement aussi. Quand trois empreintes concordent et qu'une quatrième non, c'est cette quatrième qui vous dit quelque chose — comme l'a fait WAITERS.

La leçon générale est inconfortable. Les quatre sources réunies ici font, au sens ordinaire du terme, autorité : deux agences statistiques nationales, un bureau national de recensement et l'ouvrage de référence le plus lu au monde. L'autorité n'est pas une propriété qui se transmet aux lignes prises une à une. Les lignes doivent être contrôlées, et elles peuvent l'être à peu de frais, depuis l'intérieur du fichier, sans la moindre expertise du domaine.

Et une conséquence précise pour quiconque utilise des données de noms de famille américaines : si votre chaîne de traitement lit le fichier du recensement de 2010 tel qu'il est publié, votre jeu de données contient quatre noms de famille qui n'existent pas, dont deux classés dans le top 600. Nous les avions. C'est ainsi que nous avons découvert tout cela.

Données arrêtées au 2026-07-18

Toute l'arithmétique a été recalculée le 18 juillet 2026 à partir des fichiers primaires listés ci-dessous, sauf là où le texte indique le contraire (les chiffres argentins). Là où nos notes de session antérieures contredisaient les fichiers, ce sont les fichiers qui l'emportent, et la correction est indiquée dans le texte.

Sources :

• États-Unis — US Census Bureau, Frequently Occurring Surnames in the 2010 Census (162 254 lignes) et le fichier des noms de famille du Census 2000 (151 671 lignes). Totaux des porteurs comptés : 242 121 073 en 2000 et 294 979 229 en 2010 ; l'écart entre ces totaux de fichiers reflète des seuils de couverture différents, et non une évolution de la population — les +9,7 % utilisés dans le texte sont la croissance de la population résidente des États-Unis, de 281,4 millions (2000) à 308,7 millions (2010). <census.gov/topics/population/gene…;
• Ouganda — UBOS, National Population and Housing Census 2014, profils régionaux propres à chaque zone (analysés en 9 040 lignes district / sub-county / parish). <ubos.org/&gt;
• Wikipédia, article sur Mbarara, chiffre de population de 195 531 — correspondant à Kyengera Town Council dans le fichier de l'UBOS.
• Argentine — chiffres de population du municipio et de la localidad tels que consignés dans nos notes de travail ; non reconstitués à partir d'un fichier primaire, signalés comme tels dans le texte. <indec.gob.ar/&gt;

Sur les colonnes de pourcentages du recensement. Le fichier des noms de famille du recensement américain publie, pour chaque nom de famille, les parts des catégories déclarées par les intéressés eux-mêmes. Elles ne sont utilisées dans cet article que comme empreinte forensique servant à identifier une ligne de données dupliquée, et n'étayent aucune inférence sur les noms et les populations.