Enracinés ou importés ? Les distinguer avec le seul registre

L'institut national de statistique espagnol, l'INE, publie ses noms de famille sans accents. GARCIA, MARTINEZ, TRAORE, CALDERON — 86 512 lignes, dont 1 832 portent un Ñ et zéro un accent aigu ou un tréma. Les décomptes sont exacts, l'orthographe est dépouillée.

Si vous voulez ajouter des noms de famille de ce registre à un corpus qui écrit l'espagnol correctement, vous devez remettre les accents. L'espagnol se montre ici exceptionnellement coopératif : l'accent tonique et l'accent écrit obéissent à des règles, et une classe est presque sans faille. Un nom de famille terminé par -on, -an ou -in porte l'accent sur la voyelle finale. CALDERON → Calderón. BELTRAN → Beltrán. MARTIN → Martín.

Nous avons mesuré cette règle sur 140 noms de famille d'un corpus espagnol existant, constitué à la main, dont l'orthographe correcte était déjà connue. Elle en a reproduit 136 sur 140 — 97,14 %.

Nous avons ensuite examiné les quatre qu'elle a manqués :

Lin · Hussain · Khan · Pan

La règle n'est pas exacte à 97 %. Elle est exacte à 100 % sur les noms de famille espagnols et à 0 % sur tout le reste, et le registre ne vous dit pas dans quelle catégorie tombe chaque nom. Appliquée à la queue du registre, elle aurait produit Johnsón, Wilsón, Thompsón, Robinsón, Moldován, Constantín, Rahmán et Hassán — une série de fautes d'orthographe qui seraient restées à demeure dans un corpus de noms, chacune fausse d'une manière assurée et d'apparence espagnole.

Ce qu'il fallait, c'était un test qui sépare les noms de famille enracinés des noms importés à l'aide du seul registre. Il en existe un, il tient en une seule division, et il fonctionne grâce à un hasard du droit espagnol des noms.

Le mécanisme, en un paragraphe

Une personne espagnole porte deux noms de famille : le premier (apellido 1º) vient du père, le second (apellido 2º) de la mère. L'INE les publie dans des colonnes séparées. Un nom de famille n'atteint la deuxième colonne que lorsqu'une femme qui le porte a eu un enfant enregistré en Espagne et que cet enfant est aujourd'hui un résident comptabilisé. Un nom arrivé récemment peut être fréquent comme ap1 et quasi absent comme ap2, parce qu'il faut une génération pour remplir la deuxième colonne.

Donc le rapport

c2 / c1

n'est l'estimation de rien du tout. Il compte jusqu'où un nom de famille s'est propagé par la ligne maternelle à l'intérieur du registre espagnol. Nous avons expliqué pourquoi cela fonctionne, ce que cela signifie et ce que cela ne signifie pas, dans Comment le registre espagnol des noms de famille mesure accidentellement l'intégration. Le présent article porte sur sa transformation en une procédure de décision assortie d'un seuil, ce qui est un problème différent et plus difficile.

Où placer le seuil

Un rapport ne devient un filtre qu'une fois que l'on sait où couper. Choisir un chiffre rond serait commode ; la méthode honnête consiste à regarder d'abord la forme de la distribution.

Sur les 2 222 noms de famille espagnols constitués à la main — un ensemble assemblé sans jamais consulter cette colonne — la distribution est un pic :

2 070 sur 2 222 — 93,2 % — se situent entre 0,9 et 1,1. Médiane 0,987, p10 0,924, p90 1,036. Un nom de famille espagnol installé se transmet par les deux lignées parentales à un rythme presque identique, et il en va ainsi depuis des siècles ; le rapport se fixe donc sur 1,0 avec très peu de dispersion.

Reprenons la même mesure sur le registre lui-même, en la limitant aux noms de famille dont c1 ≥ 500 (7 991 d'entre eux). Ici, la distribution n'est pas un pic. Elle est bimodale :

Deux populations, et une vallée entre les deux. Seuls 114 noms de famille sur 7 991 — 1,43 % — se trouvent dans la bande de 0,5 à 0,7. En dessous, 793 noms de famille (9,9 %). Au-dessus, 7 084 (88,6 %).

C'est là que va le seuil. 0,70, dans la partie vide. Un seuil placé dans une région dense est une appréciation qui déplace vos résultats dès qu'on le pousse un peu ; un seuil placé dans une vallée ne les déplace presque pas. Le nôtre aurait pu être 0,60 ou 0,75 et le résultat n'aurait changé que d'une poignée de noms.

Ce que le filtre a réellement attrapé

Au seuil de travail — les noms de famille dont c1 ≥ 500 proposés pour la restitution des accents —, le test du rapport a rejeté 876 candidats. Soixante-dix d'entre eux se terminaient par -ON, -AN ou -IN, autrement dit la règle d'accentuation était sur le point de se déclencher sur eux :

Des noms de famille roumains, bangladais, arabes, chinois et anglais, tous légitimement présents dans le registre espagnol, tous sur le point de se voir attribuer un accent espagnol qu'ils n'ont jamais porté. Aucun d'eux n'atteint 0,35.

Un passage antérieur, avec un seuil de taille plus bas, a produit la même défaillance avec d'autres noms — Feldmán (FELDMAN, 103/47 = 0,456), Hanssón (101/34 = 0,337), Donaldsón (101/14 = 0,139), Mirzoyán (100/27 = 0,270), Cirján (100/8 = 0,080), Sarhán (102/23 = 0,225), Otmán (100/48 = 0,480). Chacun d'eux, sans exception, passe sous le seuil.

Et relever le seuil de taille ne nous aurait pas sauvés. MOLDOVAN, avec 3 073 porteurs, et CONSTANTIN, avec 2 652, se situent près de la tête du vivier de candidats, pas dans la queue. La profondeur n'était pas le problème. Le problème, c'est que « ressemble à de l'espagnol dans l'alphabet latin » n'est pas une propriété que l'alphabet puisse exprimer.

Ce qu'il n'a, à juste titre, pas attrapé

Un filtre qui rejette tout ce qui a l'air étranger n'est pas un filtre, c'est un préjugé. Celui-ci conserve des noms qui ont l'air faux et qui sont justes.

Huamán est le cas qui compte. Il est d'origine quechua, il n'a pas l'air castillan, et une heuristique bâtie sur « est-ce que cela a l'air espagnol » l'aurait écarté. Il est présent au Pérou et dans des familles hispanophones depuis des siècles, sa deuxième colonne est plus remplie que la première, et le compteur le conserve sans connaître un mot de quechua.

Les 300 noms de famille qui ont survécu à toute la chaîne ont un rapport minimal de 0,728, une médiane de 0,980 et un maximum de 1,337. Rien de marginal n'est passé.

Et voici le contrôle qui fait tenir l'ensemble. Rappelez-vous les quatre noms de famille qui ont mis en défaut la règle d'accentuation sur le corpus constitué à la main :

Tous les quatre, très en dessous du seuil. En revanche, les cinq noms de famille du corpus qui appartiennent à la classe d'exception phonologique documentée de la règle — Esteban, Juan, Sanjuán, Santisteban, Holguín — se situent à 0,979, 1,032, 0,977, 0,904 et 1,022.

Deux instruments totalement indépendants — une règle phonologique sur l'accent tonique et une division de deux colonnes dans un fichier de recensement — partitionnent les mêmes 140 noms de famille de la même façon. Retirez les quatre que le test du rapport rejette et la règle d'accentuation obtient 136 sur 136. Aucun des deux instruments ne peut voir ce que l'autre regarde. Cette concordance est la preuve la plus forte, dans cet article, que le rapport mesure quelque chose de réel.

La précision dépend de la taille, et ce n'est pas facultatif

Voici la partie qu'un seuil, à lui seul, dissimule. Le rapport est un quotient de deux décomptes, et de petits décomptes font de mauvais quotients. Mesure faite sur l'ensemble du registre, par bande de taille :

À partir de dix mille porteurs, l'intervalle p10–p90 va de 0,962 à 1,018 — une amplitude de six centièmes. Entre vingt et quatre-vingt-dix-neuf porteurs, il va de 0,214 à 1,200, une amplitude d'une unité entière, et la médiane est tombée à 0,589, sous le seuil.

Deux phénomènes se produisent en même temps et il ne faut pas les confondre. Une partie relève de la composition réelle : la queue du registre espagnol est effectivement dominée par des noms de famille arrivés récemment, si bien qu'une médiane basse tout en bas est un fait sur l'Espagne, et non du bruit. Mais la dispersion, elle, est du bruit, et elle s'élargit exactement comme on l'attend de petits dénominateurs. Quel que soit le mélange, la conséquence est la même : en dessous de quelques centaines de porteurs, le rapport d'un nom de famille isolé n'est pas une preuve concernant ce nom.

C'est pourquoi le plancher de taille et le seuil du rapport forment une seule décision, et non deux. Appliquer c2/c1 < 0.70 à un nom de famille de 30 porteurs, c'est de l'arithmétique, pas de la mesure.

Là où le test est aveugle

Quatre modes de défaillance, tous mesurés sur le même fichier, aucun réparable en déplaçant le seuil.

1. Il est aveugle aux pays qui utilisent déjà deux noms de famille. Le Brésil, la Bolivie, le Pérou et la majeure partie de l'Amérique hispanophone donnent à leurs citoyens deux noms de famille à la naissance. Leurs résidents arrivent en Espagne avec un deuxième nom de famille déjà en place, de sorte que le mécanisme qui rend le rapport significatif — le fait que ap2 ne s'acquiert qu'en étant enregistré ici — ne s'applique pas du tout à eux :

Pour notre objectif, cela ne pose pas de problème — ces noms de famille sont enracinés dans le système de dénomination hispanophone, ce qui est exactement ce que nous filtrions. Comme mesure de « depuis combien de temps ce nom de famille est-il en Espagne », c'est tout simplement faux pour eux, et aucun seuil n'y remédie.

2. Il rejette de vrais noms de famille espagnols qui se trouvent être peu répandus. Trois noms de famille du corpus constitué à la main passent sous 0,70 alors qu'ils sont sans ambiguïté ibériques :

Tous trois ont un c1 faible, c'est-à-dire précisément le régime que la section précédente qualifie de peu fiable. Le rôle du filtre était ici d'admettre sans risque des noms de famille nouveaux ; ces rejets à tort n'ont donc rien coûté — ils étaient déjà dans le corpus. Utilisé comme oracle universel du type « ce nom de famille est-il espagnol », le filtre ferait de ces trois mêmes cas des erreurs.

3. Il rejette de vrais noms de famille réellement récents. KAUR se situe à 11 587 / 7 608 = 0,657, sous le seuil, et c'est un nom de famille pendjabi parfaitement réel, porté par des milliers de résidents espagnols. Le filtre ne dit pas que Kaur est faux. Il dit que l'orthographe de Kaur n'est pas régie par la phonologie castillane — ce qui est vrai, et c'est la seule question qui lui ait été posée. Lisez la sortie comme la question que vous avez posée, non comme un verdict sur le nom.

4. Il n'est pas transposable. Cela fonctionne parce que l'Espagne publie deux colonnes que les autres registres n'ont pas. On ne peut pas le transposer par analogie à la France, à l'Allemagne ou aux États-Unis. Ce qui est transposable, c'est la forme de l'idée : cherchez une colonne dont la valeur ne peut s'acquérir que par le temps passé à l'intérieur du système. En Espagne, c'est le nom de famille maternel. Le registre municipal de Brescia fait le même travail avec un indicateur de citoyenneté — SINGH y est porté à 75 % par des non-citoyens, FERRARI à 0 % —, ce que nous examinons dans Le registre qui n'existe pas. Le fichier INSEE français fait l'inverse en excluant les personnes nées à l'étranger, ce qui rend la même couche visible par son absence.

Une dernière curiosité, parce qu'elle montre à quel point « importé » est éloigné de « étranger ». Les noms de famille italiens dans le registre espagnol :

Deux noms de famille européens venus d'un pays voisin de langue romane, écrits dans le même alphabet, sans accents à restituer et sans rien d'exotique — et selon cette mesure, ils sont arrivés aussi récemment que Traoré (5 212 / 916 = 0,176) l'est avec une marge plus large. La colonne ne lit ni la langue, ni la région, ni la plausibilité. Elle lit le registre, et rien que le registre.

La leçon générale

Notre filtre a d'abord été bâti à partir de deux choses qui ressemblaient à du savoir : une règle phonologique réellement correcte, et un test écrit à la main pour déterminer si un nom de famille « a l'air espagnol » — pas de K, pas de W, pas de groupes consonantiques étrangers. La règle a survécu. Le test écrit à la main ne valait rien, et il ne valait rien de la manière la plus dangereuse qui soit : il produisait une sortie assurée, plausible et définitivement fausse, et rien en aval n'aurait jamais signalé Johnsón comme une erreur.

Ce qui l'a remplacé, c'est une colonne, une division et un seuil placé dans une vallée. Cela ne connaît rien à l'espagnol, rien au roumain, rien au pendjabi. Cela n'a jamais entendu parler de Huamán. Cela a rejeté 876 candidats et a eu raison sur chacun des quelque vingt cas que nous avons contrôlés à la main.

Quand une appréciation peut être remplacée par un compteur, remplacez-la. Et quand le registre vous tend une colonne que personne n'a voulue comme signal, vérifiez ce qu'elle compte avant de décider que ce sont des métadonnées.

Données arrêtées au 2026-07-21

Tous les chiffres ci-dessus ont été recalculés le 21 juillet 2026 directement à partir du fichier de l'INE et des fichiers de corpus présents sur le disque, et non repris de notes de travail.

Sources :

• Espagne — INE (Instituto Nacional de Estadística), Frecuencias de apellidos, Censo de población arrêté au 01/01/2025. Colonnes utilisées : Apellido 1º / Total (c1) et Apellido 2º / Total (c2). <ine.es/daco/daco42/nombyapel/…;
• Portée du fichier : 86 512 noms de famille ; somme de c1 = 46 541 135 ; somme de c2 = 43 595 570. La légende publiée annonce une coupure à 100 sur le premier nom de famille, mais le fichier descend jusqu'à c1 = 20. 7 757 lignes portent .. dans la colonne c2 au lieu d'un décompte ; ces lignes sont exclues de tous les rapports calculés ici, plutôt que traitées comme des zéros.
• Accents : le fichier de l'INE stocke 1 832 noms de famille contenant Ñ et zéro contenant un accent aigu ou un tréma. Cette asymétrie est la raison même de l'existence du problème de restitution des accents. Les formes accentuées de cet article sont les orthographes du corpus ; les MAJUSCULES désignent la forme non accentuée propre au registre.
• Ensemble de référence constitué à la main : 2 222 noms de famille espagnols orthographiés à la main, présents sur le disque avant ce travail, et qui correspondaient tous les 2 222 au registre. Utilisé comme test tenu à l'écart, à la fois pour la règle d'accentuation et pour le seuil. Le contrôle de la règle rapporté ici (136 / 140) a été recalculé de façon indépendante pour cet article, plutôt que repris du journal de construction.
• Résultat du passage décrit : 300 noms de famille ajoutés, corpus 2 222 → 2 522, somme des poids 34 026 331 ; 5 490 candidats rejetés au total, dont 876 par le test du rapport.

Sur ce que mesure le rapport. L'Espagne ne collecte pas de données ethniques, en vertu de la loi, et rien dans cet article n'est dérivé d'une telle source. Chaque chiffre est un décompte de positions de noms de famille dans un registre d'état civil. Le rapport ne peut rien vous dire sur un individu, il ne doit pas être agrégé en affirmations sur des communautés, et au moins quatre situations distinctes produisent une valeur basse qu'il ne sait pas distinguer. Il est utilisé ici dans un seul but étroit : décider si une règle orthographique castillane peut être appliquée à une chaîne de caractères.