Quelle part d'un pays soixante villes devraient-elles représenter ? Sur le choix d'un seuil que vous pouvez défendre

Le contrôle de données le moins coûteux que nous exécutons tient en une ligne d'arithmétique : additionner les populations des villes d'un fichier de localités, diviser par la population du pays, regarder le rapport. Il a un jour attrapé une liste taïwanaise dont la somme atteignait 106,9 % de Taïwan, ce qui est physiquement impossible et sautait aux yeux en une seconde.

Puis nous avons dit que le seuil ne devait pas être 100 % mais « une part urbaine plausible pour ce pays précis », et nous sommes passés à autre chose comme si c'était une réponse. Ce n'est pas une réponse. C'est le nom d'une question.

Cet article est notre tentative d'y répondre réellement sur 39 locales, et le constat n'est pas celui que nous attendions. La part d'un pays que représente notre liste de villes est surtout déterminée par des décisions que nous avons prises sur la liste, non par des faits concernant le pays — ce qui signifie que le nombre est presque ininterprétable pris isolément, et qu'un seuil universel ne peut pas exister, même en principe. Ce que nous pouvons offrir à la place, c'est une procédure qui remplace une question sans réponse par deux questions auxquelles on peut répondre, assortie d'une mise en garde sur la façon de nommer vos métriques, que nous avons apprise à la dure en rédigeant ce texte.

Deux nombres, nommés

Avant tout chiffre, un point de vocabulaire qui nous a coûté un après-midi de confusion. Il existe deux pourcentages entièrement différents que l'on peut calculer à partir d'une liste de villes pondérée, tous deux naturels, tous deux situés grosso modo dans la plage 50–80 % pour les petits pays, et tous deux faciles à noter comme « la part » :

La Géorgie est à 86,8 % de part de tête et à 64,4 % de couverture. Les deux sont correctes ; ce ne sont pas deux versions d'un même nombre. Sans étiquette, les deux séries fusionnent en une seule et produisent un tableau où plus rien ne veut rien dire. Chaque pourcentage ci-dessous précise duquel il s'agit.

La couverture est la grandeur que produit le contrôle classique de la somme rapportée au total, c'est donc elle qui occupe l'essentiel de cet article. La part de tête réapparaît plus loin comme ce vers quoi on pourrait se tourner pour sauver le contrôle — et ne le sauve pas.

L'étendue réelle

Notre jeu de localités compte 64 fichiers. Parmi eux, 44 portent des poids de population et 20 sont livrés en pondération uniforme. Le tableau de couverture ci-dessous a été calculé quand 39 étaient pondérés ; bn_BD, en_AU, no_NO, tr_TR et zh_TW l'ont été depuis et n'y figurent pas. Sommer chaque fichier pondéré et rapporter le résultat à la population de son pays donne la couverture :

(Les locales situées entre 40 % et 42 % — sk_SK, ja_JP, sl_SI, cs_CZ, fa_IR, ru_RU, es_ES — ont été omises du tableau par souci de longueur ; toutes se situent au milieu de la plage.)

La couverture va de 9,0 % à 70,4 %, un facteur de près de huit. Aucun nombre unique ne sépare les bons fichiers des mauvais, car 9,0 % et 70,4 % sont tous deux corrects.

Notez aussi ce qui ne figure pas ici. Le test des 100 % avait, sur l'ensemble du jeu, rejeté exactement un fichier : Taïwan, à 106,9 %. L'autre locale dont nous avons tiré des poids, l'Australie à 84,7 %, passait confortablement le test des 100 % et a été rejetée par un humain qui a remarqué que la ligne de Sydney portait le chiffre du Greater Sydney. Un test qui se déclenche une seule fois sur 64 fichiers, et qui manque la seconde occurrence du défaut même qu'il vise, ne pèse pas bien lourd. (Les deux fichiers ont été réparés ensuite et tous deux sont désormais livrés pondérés — ce qui ne sauve pas le test, puisque dans aucun des deux cas ce n'est le test qui a trouvé le défaut.)

Pourquoi ce nombre signifie si peu

La part est un rapport, et nous en contrôlons le numérateur. Deux décisions que nous avons prises le dominent, et aucune des deux n'a le moindre rapport avec la justesse des données.

Premièrement : jusqu'où descend la liste. Chaque liste est plafonnée à environ 60 villes. Ce que signifie ce plafond dépend entièrement du pays. Voici la plus petite ville de chaque liste — le point où la liste s'arrête :

La plus petite ville du fichier letton compte 753 habitants. La plus petite ville du fichier indien en compte 644 406. C'est un facteur 856 entre les points où les deux listes s'arrêtent.

Ce seul fait explique l'essentiel de l'étendue. Soixante entrées lettonnes descendent jusqu'à des villages, et la Lettonie n'a pas beaucoup de localités en dessous, si bien que la liste capte l'essentiel du système urbain du pays et aboutit à 66 %. Soixante entrées indiennes s'arrêtent aux « villes de plus de 644 000 habitants », en dessous desquelles l'Inde compte encore plusieurs milliers de villes, si bien que la liste n'en capte qu'une infime fraction et aboutit à 9,0 %. Les deux listes se comportent exactement comme un plafond de 60 lignes les contraint à se comporter.

Deuxièmement : la taille du pays. Un plafond de 60 villes dans une nation de 1,4 milliard d'habitants et un plafond de 60 villes dans une nation de 1,9 million ne sont pas le même instrument. L'Inde aurait besoin de dizaines de milliers de lignes pour atteindre la profondeur que la Lettonie atteint avec 58. Aucun seuil appliqué aux deux ne peut vouloir dire la même chose.

Mis bout à bout : la couverture attendue est fixée par le plafond et par la taille du pays, et la structure urbaine réelle ne fait que la moduler. Demander si 31,0 % de couverture est plausible pour le Brésil sans savoir que la liste brésilienne s'arrête à 302 692 habitants, c'est s'interroger sur un rapport en ignorant la définition de son numérateur.

Le chiffre de profondeur explique aussi la part de tête, et c'est pourquoi c'est lui qui mérite d'occuper le centre de cet article, plutôt que l'un ou l'autre des deux pourcentages. La part de tête de l'Inde est basse (51,9 %) parce que sa liste contient soixante grandes villes de taille comparable — un artefact de l'arrêt à 644 406. Celle de la Lettonie est haute (78,2 %) parce que sa liste va de Riga jusqu'à un village de 753 habitants, si bien que les dix premières dominent inévitablement. Les deux pourcentages sont les ombres d'une même décision sur le point d'arrêt.

La part de tête ne sauve pas la couverture

La suite évidente consiste à corriger la couverture à l'aide de quelque chose de calculable à partir du fichier lui-même. Si un pays est dominé par une seule ville énorme, on s'attend à une couverture élevée à partir de peu de lignes ; si ses villes sont de tailles homogènes, on s'attend à l'inverse. La part de tête mesure exactement cela. Prédit-elle donc la couverture ?

Non. Les deux sont quasiment sans rapport, et deux locales le démontrent en échouant dans des directions opposées :

La liste finlandaise est la moins concentrée en tête des deux et affiche la plus haute couverture. Celle de l'Autriche est fortement concentrée sur ses dix premières lignes et couvre à peine la moitié de ce que couvre la finlandaise. Quelle que soit la correction que vous bâtissez à partir de la part de tête, l'une de ces deux locales en ressort à l'envers.

L'ensemble complet se comporte de la même façon. La Géorgie a la part de tête la plus élevée que nous ayons mesurée, 86,8 %, pour 64,4 % de couverture. La Lettonie est à 78,2 % de part de tête pour 66,0 % de couverture. La Nouvelle-Zélande est à 74,3 % pour 70,4 %. L'Inde est à 51,9 % de part de tête — une liste réellement plate, faite de grandes villes de tailles homogènes — pour 9,0 % de couverture. Israël est à 53,0 % de part de tête pour 67,0 % de couverture, soit presque exactement la part de tête de l'Inde avec sept fois la couverture.

Notez ce que signifie cette dernière paire. en_IN et he_IL ont une forme interne presque identique — 51,9 % et 53,0 % de chaque liste tiennent dans ses dix premières lignes — et des couvertures de 9,0 % et 67,0 %. La forme interne de la liste ne porte pour ainsi dire aucune information sur la part du pays qu'elle atteint.

Les deux métriques répondent donc à des questions réellement différentes, et aucune ne peut tenir lieu de l'autre. La part de tête vous renseigne sur la forme de la liste ; la couverture, sur sa portée. Nous avons cherché un signal interne qui prédise la couverture attendue et nous n'en avons trouvé aucun qui survive à ces cas.

Il y a un piège supplémentaire dans le vocabulaire lui-même. Les deux grandeurs se situent dans la même plage numérique pour les petits pays — la Lettonie est à 78,2 % et 66,0 %, l'Arménie à 81,8 % et 66,0 % — si bien qu'un tableau qui omet le nom de la métrique produit deux séries qui ressemblent à une seule série bruitée. Nous avons passé un temps non négligeable, cette session, à rapprocher « 78,2 % » de « 66,0 % » pour la Lettonie avant de remarquer que c'étaient les réponses à deux questions différentes. Aucun des deux chiffres n'était faux. C'est l'étiquette qui manquait, ce qui est un défaut de données à part entière, et un défaut qu'aucun contrôle arithmétique ne peut attraper.

La borne qui est vraiment meilleure que 100 %

Il existe une amélioration disponible, et elle mérite d'être énoncée avec précision, parce qu'elle est réelle mais limitée.

La somme des populations des villes d'un pays ne peut pas dépasser la population urbaine de ce pays. C'est une contrainte physique, et elle est strictement plus serrée que 100 %, car aucun pays n'est urbain à 100 %. Appliquée au fichier australien rejeté : 84,7 % des Australiens dans 60 villes, rapportés à un taux d'urbanisation australien situé quelque part autour de 86 %, implique que ces 60 villes détenaient à peu près 98 % de tous les Australiens urbains — ce qui est absurde pour un pays comptant des centaines de centres urbains, et absurde d'une manière qu'un seuil à 100 % ne peut pas exprimer et qu'un humain n'a remarquée que par accident.

Le contrôle amélioré est donc celui-ci : comparer la somme à la population urbaine, et non à la population totale. Il coûte un nombre externe supplémentaire par pays, et il aurait attrapé l'Australie mécaniquement.

Mais il doit être étiqueté honnêtement, car il hérite exactement de la maladie qu'il est censé diagnostiquer. Un taux d'urbanisation national est lui-même le produit de quelqu'un qui décide de ce qui compte comme une ville — le même choix de définition qui a produit le défaut au départ. Les pays classent les localités comme urbaines selon des règles extrêmement différentes : par seuil de population, par statut administratif, par densité, par activité économique. Une borne bâtie sur ce nombre est indicative, non décisive. Elle réduit la liste des suspects ; elle ne condamne pas.

Nous avons appliqué cette borne à notre jeu, et elle place trois locales assez près de leur population urbaine estimée pour mériter un coup d'œil — ka_GE, hy_AM et ro_MD, chacune un petit pays où notre liste descend jusqu'à un millier d'habitants environ. Nous ne les signalons pas comme des défauts. Les pièges d'unités connus en Géorgie et en Arménie — les trois chiffres imbriqués de Kaspi, la paire քաղաք contre համայնք de Chambarak — sont déjà correctement résolus dans les fichiers livrés, ce que nous avons vérifié. Ce que la borne a produit, c'est une file d'attente pour revue humaine, et c'est le maximum que puisse produire un seuil de ce type.

Alors : existe-t-il une formule ?

Non. Nous en avons cherché une et nous rapportons son absence comme résultat.

Il n'existe aucune fonction allant du contenu d'un fichier de localités à une couverture attendue défendable, car le terme dominant est un plafond que nous avons imposé, le deuxième terme est la taille du pays, et le troisième — la structure urbaine réelle — est le seul à porter du signal sur la justesse, et c'est le plus petit des trois. Tout seuil qui se déclenche sur le nombre produit se déclenche en réalité sur notre propre limite de lignes. Et le correctif interne le plus prometteur, la part de tête, se révèle mesurer quelque chose d'orthogonal.

Ce qui la remplace n'est pas une formule mais un recadrage. La question sans réponse « cette couverture est-elle plausible ? » se scinde en deux questions auxquelles on peut répondre :

1. La tête de la liste est-elle la bonne unité ? C'est là que vivent les vrais défauts. La liste taïwanaise mélangeait des municipalités avec leurs propres districts ; la liste australienne substituait des agglomérations aux collectivités locales. Les deux sont visibles en prenant les trois ou quatre plus grandes entrées et en confrontant chacune à un chiffre connu de façon indépendante pour cette ville précise. Sydney à 5 219 674 face à une City of Sydney d'environ 200 000 habitants est un contrôle d'une minute qui n'a besoin d'aucun seuil.
2. Où la liste s'arrête-t-elle, et était-ce voulu ? Consignez la plus petite entrée sous forme de règle de profondeur explicite — « ce fichier contient les localités de plus de N habitants ». Une fois cela écrit, une couverture basse cesse d'être suspecte et devient de l'arithmétique. L'Inde à 9,0 % n'a besoin d'aucune défense dès lors que le fichier dit qu'il s'arrête à 644 406.

Et une troisième, gratuite : étiquetez chaque pourcentage avec sa métrique. La couverture et la part de tête nous ont coûté plus de confusion cette session que n'importe quel chiffre faux.

Le contrôle de couverture garde sa place, mais rétrogradé : c'est un détecteur d'impossibilité, pas d'implausibilité. Au-dessus de 100 %, quelque chose ne va décidément pas. En dessous de 100 %, il ne dit rien sur quoi vous puissiez agir sans les deux contrôles ci-dessus. C'est une affirmation bien plus modeste que celle que nous formulions implicitement, et c'est celle que les données soutiennent.

Si cela ressemble à l'aveu que ce contrôle exige un jugement humain pays par pays, c'en est un. Vingt de nos 64 fichiers sont livrés sans poids précisément parce que ce jugement est revenu avec « nous ne pouvons pas rendre cela cohérent », et nous préférons livrer une approximation documentée plutôt qu'un défaut invisible. La version honnête d'un processus de qualité des données comporte une colonne indécis.

Pour la classe de défauts que ce contrôle a été construit pour attraper, voir Soixante villes, 106,9 % d'un pays. Pour ce qui se passe en aval quand les poids sont absents, voir Pourquoi les générateurs d'adresses produisent des villes implausibles. Pour le problème général des contrôles qui ne peuvent pas échouer, voir Un test qui ne peut pas échouer.

Données arrêtées au 2026-07-18

Chaque part, chaque nombre de villes, chaque plus petite ville et chaque médiane figurant dans cet article ont été calculés le 18 juillet 2026 directement à partir des fichiers de localités livrés, en sommant la quatrième colonne de chaque .tsv et en divisant par la table de populations utilisée dans notre suite de régression. Rien ici n'est repris de notes de travail.

Sources et notes :

• Fichiers de localités — 64 fichiers dans share/name_gen/locality/. 44 portent une quatrième colonne de population et 20 sont à trois colonnes et livrés en pondération uniforme, recomptés le 22 juillet 2026 ; l'ensemble uniforme comprend ar_SA, en_GB, en_IE, ko_KR, nl_NL, pt_PT et es_AR. Quand les chiffres de couverture ci-dessus ont été calculés, la répartition était de 39/25 ; bn_BD, en_AU, no_NO, tr_TR et zh_TW ont reçu des poids par la suite.
• Dénominateurs de population — la table intégrée à ng_regression_tests.php, qui porte des populations nationales arrondies (Lettonie 1 870 000 ; Inde 1 430 000 000 ; et ainsi de suite). Les parts sont donc exactes à peu près à l'arrondi de cette table, ce qui suffit à la résolution qu'emploie cet article et ne suffit pas pour quoi que ce soit de plus fin.
• Extrêmes — en_IN 127 990 788 sur 60 villes = 9,0 % ; en_NZ 3 658 551 sur 60 villes = 70,4 %. Plus petites entrées : lv_LV 753, en_IN 644 406, un rapport de 856.
• Les deux métriques, calculées côte à côte le 18 juillet 2026. La part de tête est la somme des dix plus grandes lignes rapportée à la somme de toutes les lignes ; la couverture est la somme de toutes les lignes rapportée à la population nationale.

fi_FI totalise 3 927 865 et hy_AM 1 848 547. L'inversion fi_FI / de_AT et la paire en_IN / he_IL sont les deux cas qui excluent de prédire la couverture à partir de la part de tête.

• Les 84,7 % de l'Australie — un souvenir, non une redérivation. en_AU est livré sans poids, il ne reste donc aucune quatrième colonne à sommer ; ce qui est confirmé sur le disque, c'est la conséquence. Traitez ce chiffre comme indicatif et voir Ce qui compte comme une ville pour la même réserve à sa source.
• Taux d'urbanisation — externes, approximatifs et délibérément non tabulés ici. Ils ne servent dans cet article qu'à établir un point qualitatif sur l'Australie et à expliquer pourquoi la borne améliorée est molle. Tout chiffre national d'urbanisation précis devrait être pris auprès de l'office statistique compétent, en prêtant attention à la façon dont cet office définit « urbain ».
• Vérifications ponctuelles Géorgie et Arménie — ka_GE livre Kaspi à 12 911 (le chiffre de la ville, ni la municipalité à 41 841 ni l'unité administrative à 13 729) et hy_AM livre Chambarak à 5 468 (le chiffre քաղաք, non les 12 416 համայնք). Les deux pièges connus sont correctement résolus dans les fichiers livrés ; cela a été vérifié en lisant les lignes, non supposé.