La couche qui tombe : pourquoi les corpus de noms de famille manquent systématiquement les cinquante dernières années

Dans le registre national norvégien des noms de famille, Mohamed est porté par 3 885 personnes. Cela le place au rang 99 — devant un très grand nombre de noms que la plupart des gens qualifieraient de banalement norvégiens. Notre corpus norvégien de noms de famille, construit à partir de listes de « noms de famille norvégiens », ne le contenait pas. Ni Khan (3 505, rang 106), ni Hassan (3 495, rang 107), ni Tran (3 253, rang 120).

Ce n'est pas un fait intéressant en soi. Il manque toujours quelque chose à un corpus. Ce qui mérite d'être consigné, c'est que nous avons fait le même contrôle dans cinq autres pays le 18 juillet 2026, et que la même forme est revenue à chaque fois — et que, quand nous avons regardé de près ce qui manquait d'autre, l'histoire s'est révélée plus compliquée, et plus utile, que « les données ont oublié les immigrés ».

Cet article traite d'un angle mort dans la façon dont les jeux de données de noms sont construits. Un article compagnon, Couches migratoires dans les cohortes de naissance, traite de ce qui se produit sur l'axe du temps — comment deux générations d'une même communauté produisent des courbes opposées dans le même registre. Celui-ci porte sur l'instantané : ce qui est purement et simplement absent de la liste.

La mesure

Pour chaque locale, nous avons pris le fichier du registre national, nous l'avons classé par nombre de porteurs et nous avons posé une question mécanique : parmi les N premiers noms de famille du registre, combien notre corpus n'en contient-il pas ? Aucun jugement, aucune classification, juste une différence ensembliste.

Le zéro de la Suède n'est ni une erreur ni un coup de chance — c'est la même mesure appliquée à un corpus qui avait déjà subi exactement cette réparation. Il figure dans le tableau à titre de contrôle.

Ce qui manque réellement

C'est ici que l'histoire intuitive commence à se fissurer, et il vaut la peine de la fissurer proprement.

Prenez la liste américaine de 193 noms. Regroupés selon la tradition linguistique dont le nom de famille est issu :

Les deux tiers de ce qui manquait au corpus américain, c'étaient Brennan et Koch. La couche migratoire est une part réelle et substantielle de l'écart — un quart de celui-ci relève de la seule langue espagnole — mais elle ne constitue pas la totalité de l'écart, et un corpus qui n'aurait ajouté que les noms de la migration serait quand même resté privé de 128 noms de famille que personne ne décrirait comme des arrivées récentes.

La Norvège montre les mêmes proportions en miniature. Sur les 23 noms de famille du top-200 du registre absents du corpus, 9 sont d'origine migratoire — Mohamed, Khan, Hassan, Tran, Ibrahim, Mohammed, Ahmad, Abdi, Hussein — et 14 sont Hanssen (5 434, rang 68), Eliassen (4 141, rang 94), Hoel, Rønningen, Samuelsen, Solbakken, Aase, Sand, Bø, Syversen, Berger, Øien, Enger et — c'est révélateur — Andersson, l'orthographe suédoise, installée en Norvège avec 2 538 porteurs.

La version honnête du constat est donc plus étroite que le titre, et la voici : un corpus assemblé à partir de « noms du pays X » est peu profond, et ce manque de profondeur n'est pas réparti uniformément. Il rate des noms ordinaires parce qu'il est court. Il rate des noms de la couche migratoire parce que personne ne songe à les mettre sur une liste de noms de famille norvégiens — et ces deux défaillances se cumulent exactement aux rangs où elles sont le plus visibles.

L'exemple le plus clair est la Grande-Bretagne. Miah est le nom de famille absent du corpus britannique le mieux classé, au rang 254 avec 26 765 porteurs. Derrière lui, Uddin (13 620, rang 537) et Li (8 643, rang 898). Pendant ce temps, Patel (137 088, rang 24), Begum (78 156, rang 65), Singh (69 574, rang 78) et Kaur (48 488, rang 121) étaient tous présents. Le corpus n'était pas aveugle aux noms de famille sud-asiatiques en général — seulement à ceux qui se situent juste en dessous du niveau de familiarité courante.

Le cas français n'est pas ce qu'il paraît

La France a produit 233 noms manquants dans le top-1000 du registre, dont un groupe de langue portugaise bien visible : Dos Santos (17 661, rang 281), Gonçalves (16 448, rang 314), De Oliveira (8 253, rang 780), De Sousa (7 694, rang 843), Teixeira (7 608, rang 857).

La lecture évidente est celle d'une couche lusophone manquante. La lecture évidente est fausse, ou du moins incomplète, car ceux-ci étaient présents : Da Silva (28 730, rang 137), Pereira (21 402, rang 202), Rodrigues (17 767, rang 275), Fernandes (17 316, rang 293).

La couche de langue portugaise était bien dans le corpus. Des morceaux en sont tombés. Et quand nous avons compté combien des 233 noms de famille français manquants contiennent un espace, la réponse a été 5 — Dos Santos, De Oliveira, De Sousa, Le Borgne, Le Gal. Deux d'entre eux sont bretons. Il s'agit au moins en partie d'un problème de traitement des noms de famille en plusieurs mots, et non d'un problème de migration : les noms comportant une particule et un espace supportent mal certaines étapes du pipeline, et cela quelle que soit la langue dont ils viennent. (Le Gal est présent en Bretagne depuis considérablement plus de cinquante ans.) La mécanique des particules et du tri est un sujet à part entière, traité dans Préfixes de noms et tri (article compagnon, pas encore publié).

Gonçalves et Teixeira ne comportent pas d'espace et manquaient malgré tout, donc l'effet de couche migratoire est réel en France aussi. Mais quiconque lirait cette liste portugaise de cinq noms comme la preuve pure et simple d'un angle mort migratoire lirait un bogue de tokenisation comme un fait démographique. Nous avons failli le faire.

Les registres ont le même angle mort

La seconde moitié de l'affaire, et la partie qu'aucun approfondissement du corpus ne peut corriger : les registres nationaux sous-enregistrent eux aussi la migration récente, chacun pour sa propre raison structurelle, et chacun dans une direction que l'on peut connaître.

INSEE (France) dresse les tableaux des noms de famille par décennie de naissance pour les naissances enregistrées en France, de 1891 à 2000. Les personnes nées à l'étranger ne figurent pas du tout dans le fichier — soit environ 10,7 % de la population française. Un arrivant de première génération est invisible ; seuls ses enfants nés en France apparaissent. Tout chiffre d'origine migratoire issu de l'INSEE est donc un plancher.

SSB (Norvège) ne publie que les noms de famille comptant 200 porteurs ou plus. Nous pouvons le confirmer à partir du fichier lui-même : le décompte minimal sur l'ensemble des 3 620 entrées est exactement 200. Tout ce qui se situe en dessous — et un nom de famille arrivé récemment a une probabilité disproportionnée de s'y situer — n'existe pas du point de vue des statistiques publiées. Il s'agit d'un plancher de confidentialité délibéré, examiné dans Seuils de confidentialité dans les registres de noms ; le point, ici, est seulement qu'il n'est pas démographiquement neutre.

ONS (Grande-Bretagne) est le cas le plus net, parce que la défaillance est une question de millésime. Les données britanniques de noms de famille en circulation générale reflètent à peu près l'année 2002. La Pologne et la Roumanie ont rejoint l'UE en 2004 et 2007. La conséquence, tirée directement du fichier :

Mazur est l'un des vingt noms de famille les plus courants en Pologne. Il n'apparaît nulle part dans un fichier britannique de noms de famille de 58 242 entrées. Rapporté à une population britannique actuelle qui comprend plusieurs centaines de milliers de personnes d'origine polonaise et une importante communauté roumaine, Popescu avec 118 porteurs n'est pas une mesure — c'est un horodatage. Le fichier ne se trompe pas sur 2002 ; c'est qu'on le lit comme s'il parlait d'aujourd'hui.

Voilà le piège qui compte. Un constructeur de corpus qui puise scrupuleusement tout dans les statistiques nationales officielles, et qui refuse d'ajouter quoi que ce soit ne figurant pas au registre, produira malgré tout un jeu de données en retard d'une génération — parce qu'il a hérité de la date de coupure du registre en même temps que de son autorité. Approfondir le corpus n'y change rien. Les noms ne sont pas plus bas dans la liste. Ils ne sont pas dans la liste.

Ce que nous avons changé

La réparation n'a rien de glorieux : prendre le top-N du registre, en faire la différence ensembliste avec le corpus, et réintégrer tout ce qui manque avec son poids réel. Le zéro de la Suède dans le premier tableau montre à quoi cela ressemble une fois terminé — le même contrôle qui renvoie 305 pour la Grande-Bretagne ne renvoie rien pour la Suède, sur un corpus de 2 445 entrées confronté à un registre de 411 798 entrées.

Pour le problème du millésime du registre, il n'existe pas de solution propre, et nous n'en revendiquons aucune. Là où l'on sait qu'un registre est antérieur à un flux migratoire important, le corpus hérite de cette lacune, et la réponse honnête consiste à le dire dans les notes sur les données plutôt qu'à inventer des décomptes. Un nom de famille que nous ne pouvons pondérer à partir d'aucune source est un nom de famille que nous n'ajoutons pas.

Ce que cet article affirme et ce qu'il n'affirme pas

Chaque chiffre ci-dessus est un décompte d'enregistrements de noms de famille. Rien de tout cela ne mesure l'appartenance ethnique, la nationalité, la citoyenneté, la langue parlée, ni quoi que ce soit concernant un individu — la France et plusieurs autres États cités ici ne collectent aucune donnée ethnique, et rien dans cet article n'est dérivé d'une source qui en collecterait. Les regroupements du tableau américain sont notre classification de la tradition linguistique dont un nom de famille est issu, faite dans le but de décrire une lacune de jeu de données ; ils sont approximatifs, ils sont contestables à la marge, et Costa pourrait raisonnablement figurer dans deux d'entre eux.

Le constat porte sur les jeux de données, pas sur les personnes : les listes de « noms du pays X » encodent le moment où s'est formé le modèle mental de celui qui a fait la liste, et ce moment est généralement dépassé de quelques décennies. Les registres encodent le moment où le registre a été compilé. Aucun des deux n'est neutre, tous deux sont corrigibles dans un seul sens, et l'arithmétique qui trouve la lacune tient en quatre lignes environ.

Données arrêtées au 2026-07-18

Toutes les mesures de différence ensembliste ont été calculées le 18 juillet 2026 sur les fichiers de registres listés ci-dessous, dans le cadre d'un audit des corpus de noms pondérés portant sur 64 locales. Les rangs ont été recalculés à partir des décomptes bruts ; lorsqu'un registre comporte des ex æquo, l'attribution des rangs peut différer de quelques positions de la numérotation de l'éditeur lui-même — notre build a enregistré Miah/Uddin/Li à 257/542/906 contre les 254/537/898 calculés ici, et l'écart tient au traitement des ex æquo, non à un désaccord sur les données.

Sources :

• Royaume-Uni — ONS, décomptes de noms de famille (58 242 entrées, décompte minimal 5). Millésime des données : environ 2002 ; voir la note ci-dessus sur la migration postérieure à 2004. <ons.gov.uk/&gt;
• France — INSEE, Fichier des noms de famille, noms de famille par décennie de naissance, naissances enregistrées en France 1891–2000 (218 983 entrées). Exclut les personnes nées à l'étranger. <insee.fr/fr/statistiques/353663…;
• États-Unis — US Census Bureau, Frequently Occurring Surnames in the 2010 Census (162 254 entrées). <census.gov/topics/population/gene…;
• Norvège — SSB, statistiques des noms de famille, table StatBank 12891 (3 620 entrées, plancher de publication de 200 porteurs, confirmé comme le minimum du fichier). <ssb.no/statbank/table/12891&g…;
• Suède — SCB, statistiques des noms de famille (411 798 entrées). SCB a cessé de produire les statistiques sur les noms en 2024. <scb.se/&gt;

Sur la sensibilité. Cet article décrit des lacunes dans des jeux de données. Il n'avance aucune affirmation sur des individus ou des communautés, n'enregistre aucune appartenance ethnique et ne prend pas position sur la migration. Chaque chiffre est un décompte d'enregistrements de noms de famille dans un fichier statistique public.