Ce que nous avons mal compris des données de noms

Nous maintenons des corpus de noms pondérés pour 64 locales — prénoms, noms de famille et les courbes de fréquence qui décident combien de fois chacun apparaît. La plupart des textes publics consacrés à ce genre de travail décrivent le produit fini : voici la méthode, voici les sources, voici le résultat.

Voici l'autre article. Huit erreurs que nous avons réellement commises, toutes découvertes au cours d'un seul audit, le 17 juillet 2026. Plusieurs ont été repérées par des relecteurs qui nous contredisaient, et il y en a au moins deux que nous avons défendues avant de céder.

Nous les publions parce que les modes de défaillance se sont révélés structurels plutôt que dus à la négligence. Chacun est né d'un chiffre qui semblait faire autorité et qui mesurait en réalité un autre objet que celui que nous croyions. Si vous travaillez avec des données de fréquence, quelles qu'elles soient, la plupart de ces pièges vous attendent aussi.

(Un article complémentaire, Sept manières dont les données de noms vous mentent, en couvre la taxonomie générale. Celui-ci est la confession.)

1. La statistique zombie : nous avons calibré le Vietnam sur un échantillon de 1992

Ce que nous croyions. Nguyễn est porté par 38 % des Vietnamiens. Nous n'avons pas traité cela comme une affirmation exigeant vérification, parce que cela ne ressemblait pas à une affirmation — cela ressemblait à une connaissance de fond. Wikipédia le dit. La presse le dit. Les bibliothèques Faker l'encodent. Un consensus aussi large se lit comme une preuve.

Ce qui est vrai. C'est un seul chiffre, répété. Remontez la chaîne des citations et elle s'arrête sur un unique échantillon de Lê Trung Hoa datant de 1992 — petit, vieux de plusieurs décennies, et repris en aval non parce qu'il est bon, mais parce que c'est le seul chiffre publié que quiconque puisse citer.

Trois grands échantillons le contredisent, tout en présentant des biais régionaux opposés :

Deux échantillons biaisés en sens contraires qui atterrissent à moins d'un point de pourcentage l'un de l'autre, c'est presque décisif. Le chiffre réel est d'environ 31 %.

Le dommage n'était pas cosmétique. Une courbe de fréquence est calibrée sur la part de son entrée de tête, si bien qu'un diviseur gonflé comprime toute la distribution — tous les rangs du pays, faux, à cause d'un seul chiffre que personne n'a songé à mettre en doute.

La leçon. Si une proportion est citée par tout le monde et remonte à une seule petite source primaire, ce n'est pas une corroboration — c'est un point de défaillance unique doté d'un bon référencement.

2. « ~10 % des Islandais ont un nom de famille » — et cela a failli casser un fichier correct

C'est celle qui pique, parce que le chiffre était faux et que nos données étaient justes et que nous nous apprêtions à casser nos données pour les aligner sur le chiffre.

Ce que nous croyions. L'Islande utilise des patronymes, mais environ 10 % des Islandais portent des noms de famille hérités (ættarnöfn) — Blöndal, Briem, Thorlacius, Möller, Zoëga. Notre fichier en contenait 4,15 %. C'est un déficit d'un facteur deux. Cela avait tout l'air d'une lacune évidente à combler.

Ce qui est vrai. Hagstofa Íslands (1er janvier 2017) ventile la population ainsi :

Les « 10 % » ne sont pas une mesure. Ce sont 4 % + 14 %, fusionnés — quelqu'un a additionné deux lignes qui ne signifient pas la même chose. Les 14 % sont des noms de famille portés par des immigrés et leurs descendants. Ce ne sont pas des ættarnöfn, qui forment une catégorie juridique précise : la loi nr. 54/1925 en a interdit la création tout en laissant les existants valides et transmissibles jusqu'à aujourd'hui.

Notre fichier était à 4,15 % contre une valeur réelle de 4 %. Il était exact, et nous étions sur le point de le « corriger » pour en faire une surestimation de 2,4×.

La leçon. Vérifier un chiffre ne suffit pas. Il faut vérifier ce que le chiffre compte. « 10 % ont un nom de famille » et « 4 % ont un ættarnöfn » sont deux phrases vraies au sujet de l'Islande, et une seule des deux parle de ce qui se trouve dans votre fichier.

(Un piège voisin que nous avons, lui, évité : la loi nr. 54/1925 est celle qui a interdit les nouveaux noms de famille. 41/1913 est la loi inverse — celle qui les autorisait. Les chiffres se ressemblent assez pour être intervertis par mégarde, et le sens s'inverse.)

3. Vérification circulaire : un jeu de données, compté deux fois

Ce que nous croyions. Notre fichier de noms de famille hongrois attribue aux noms de famille dérivés d'ethnonymes — Tóth, Horváth, Németh, Oláh et consorts — 8,20 % du poids total. L'estimation universitaire, due à Farkas, est de « 7–8 % du stock de noms de famille ». Notre chiffre, produit indépendamment, se situait à un cinquième de point en dehors d'un chiffre publié par la recherche.

Nous l'avons consigné comme une confirmation indépendante. Cela nous semblait la preuve la plus forte de tout l'audit.

Ce qui est vrai. Ce n'est la confirmation de rien du tout. Nos poids sont calibrés sur des parts de registre — notre Tóth se situe à 2,192 % contre une valeur de registre de 2,19 %. Farkas tire ses chiffres du même registre.

Il n'y a donc pas deux mesures qui concordent. Il y a un seul jeu de données, compté deux fois, qui revient à son point de départ. L'accord était garanti avant même que nous regardions : si notre chiffre était sorti à 8,20 % contre une vérité de 3 %, le contrôle serait passé à l'identique. Il n'a aucun pouvoir d'échouer.

C'est l'erreur la plus séduisante de la liste, parce que le résultat est indiscernable d'un succès. Nous avons repéré le même schéma une seconde fois, indépendamment, au cours du même audit.

La leçon. Si vos chiffres sont calibrés à partir de la source X, alors les contrôler par rapport à X — ou par rapport à n'importe quel travail qui cite X — est un contrôle de cohérence, pas une vérification. Appelez-le ainsi. La véritable indépendance ressemble au point 1 : des sources aux biais opposés qui convergent malgré tout. Deux pointeurs vers un seul jeu de données, cela fait un jeu de données.

4. Porteurs contre positions : faux d'un facteur exactement deux

Ce que nous croyions. García est porté par 2 915 761 personnes en Espagne. Le top 10 des noms de famille du Portugal représente 45,7 %. Les deux chiffres proviennent directement de registres. Nous les avons pris pour cibles.

Ce qui est vrai. Les Espagnols et les Portugais portent deux noms de famille, si bien que les parts, sur l'ensemble de la liste, totalisent environ 200 % et non 100 — et deux grandeurs différentes se cachent sous le mot « fréquence ».

Pour García, les colonnes de l'INE tranchent : 1 446 937 en premier nom de famille, et 2 915 761 sur les deux positions. Ce ne sont pas des estimations concurrentes, mais des objets différents, et celui qu'il vous faut dépend du fait que votre enregistrement porte un seul nom de famille ou deux.

Le Portugal montre le même clivage : top 10 = 45,7 % des porteurs, mais 22,8 % des positions.

Les confondre ne produit pas une erreur d'arrondi. Cela produit une cible deux fois plus grande que la réalité, après quoi tout ce qui se trouve en aval est tordu pour atteindre un chiffre qui n'a jamais été atteignable. Notre propre outillage de diagnostic s'y est laissé prendre : alimenté avec une part de porteurs, il a signalé dans le fichier portugais un défaut qui n'existait pas.

La leçon. Avant d'utiliser une fréquence de nom de famille venue d'un pays à deux noms de famille, établissez le dénominateur. Si la source ne le précise pas et que les parts tendent vers 200 %, vous avez affaire à des porteurs.

5. Hanja contre hangul : 정 est 鄭 et 丁

Ce que nous croyions. Les noms de famille coréens forment un ensemble restreint et bien documenté. Nos enregistrements sont en hangul, les tableaux de parts en hanja sont faciles à trouver, et les deux décrivent de toute évidence la même distribution.

Ce qui est vrai. Le hangul est phonétique ; le hanja ne l'est pas. La syllabe 정 correspond à deux noms de famille distincts — 鄭 et 丁 — de lignées différentes, fondus en une seule forme écrite.

Les conséquences n'ont rien de subtil :

Cet écart de 1,9 point n'est pas du bruit. C'est la fusion. Et il déplace le classement, pas seulement les totaux : en hangul, 정 = 4,84 % (鄭 + 丁 réunis), ce qui le place au-dessus de 최, à 4,7 %. Prenez le tableau en hanja — le plus souvent publié — et 鄭 seul paraît plus petit, l'ordre s'inverse, et vous vous retrouvez avec un fichier qui classe les noms de famille coréens de travers, d'une manière qu'aucun validateur ne signalera.

La leçon. Quand deux systèmes d'écriture fusionnent les distinctions différemment, « la fréquence de X » reste indéfinie tant que vous n'avez pas dit dans quelle écriture vous avez compté. Choisissez celle dans laquelle vos données sont réellement écrites, et ne réparez jamais un écart qui n'est que l'autre écriture qui parle.

6. « Le top 1 500 du pays » n'est pas « notre liste de 1 500 »

Ce que nous croyions. Notre fichier de noms de famille français avait une courbe de poids comprimée. La référence que nous sommes allés chercher : un vrai top 1 500 de la France s'étend sur environ 50:1 du nom de famille le plus courant au plus rare. Notre fichier compte environ 1 500 entrées. Donc 50:1 est notre cible.

Ce qui est vrai. Les deux choses partagent un nombre et rien d'autre.

Le vrai top 1 500 de la France est un bloc contigu : les rangs 1 à 1 500, et le rang 1 500 reste un nom de famille assez courant. Notre fichier est une liste triée sur le volet de 1 500 entrées dispersées entre les rangs 1 et 126 772 — les très courants, plus une incursion délibérée dans la queue profonde, là où un nom de famille peut n'avoir que quelques dizaines de porteurs dans tout le pays. Son propre rapport réel est de 3 351:1.

Nous étions sur le point de comprimer une courbe d'un facteur 70× environ parce que deux listes sans rapport se trouvaient avoir la même longueur.

La leçon. Mesurez le rapport entre l'entrée de tête et l'entrée la plus rare dans votre propre fichier, jamais dans un top N imaginaire du pays. Une liste triée sur le volet et une liste contiguë en rangs sont deux animaux différents portant la même étiquette de taille.

7. « Étrange » n'est pas « inventé » — et réciproquement

Celle-ci est en réalité deux erreurs, pointant dans des directions opposées, commises la même semaine.

En Ukraine, nous étions sur le point de supprimer des personnes réelles. Notre liste de travaux en attente affirmait que le fichier de noms de famille ukrainiens était plein d'entrées artificielles, engendrées à partir de schémas productifs de formation des mots plutôt que d'un registre, et qu'il fallait le nettoyer. Le soupçon était raisonnable — l'histoire d'origine du fichier était exactement celle-là.

Puis nous avons échantillonné. Un tirage aléatoire de n = 25 dans la queue a donné 0 nom de famille artificiel. Соловʼяненко est un chanteur d'opéra. Хомчак est un ancien commandant en chef des Forces armées de l'Ukraine. Ils se trouvent dans la même queue et paraissent exactement aussi bizarres que les entrées que nous voulions retirer. Testé sur des candidats délibérément suspects, le critère « ça sonne étrange » a produit un taux de faux positifs de 21 %.

Le contexte tranche : l'Ukraine compte 707 685 noms de famille uniques, avec environ 64 porteurs chacun en moyenne. Rare-et-étrange n'y est pas une anomalie — c'est la forme même du pays.

À Taïwan, l'inverse. Notre liste de noms de famille chinois comportait des noms de famille composés archaïques tirés directement du 百家姓, un texte du XIe siècle — un poème, pas un recensement. Confrontés au registre du ministère de l'Intérieur de Taïwan, 33 d'entre eux avaient zéro porteur. Supprimés, à juste titre.

Et puis le piège dans le piège : 澹臺 est en apparence de la même espèce — archaïque, composé, issu du même texte source. Nous l'avions mis sur la liste de suppression d'après son seul aspect. Le registre le donne avec 2 porteurs. Il est resté.

La leçon. La variable n'est pas l'évidence apparente du défaut — dans les deux pays, il semblait évident. Ce qui sépare le nettoyage d'une base de données de sa destruction, c'est l'existence ou non d'un registre nom par nom. Taïwan publie des comptages sans seuil de confidentialité : l'absence y signifie réellement zéro, et supprimer revient à mesurer. L'Ukraine n'a pas de registre de ce genre à cette profondeur, si bien que supprimer se réduit à supprimer à l'oreille — et une fois sur cinq, vous supprimez un nom réel. Quand vous disposez d'un compteur, faites-lui plus confiance qu'à votre intuition. Quand vous n'en avez pas, ne lui substituez pas votre oreille.

8. Le défaut miroir : nous avons réparé un côté et aggravé les choses

Ce que nous avons fait. Le fichier de noms de famille suédois n'avait pas sa couche migratoire — une lacune réelle et vérifiable au regard du registre SCB, incluant des noms qui se classent dans le top 100 du pays. Nous les avons ajoutés. Un travail correct, sans détour.

Ce qui s'est passé. La sortie est devenue pire. Des enregistrements se sont mis à apparier des prénoms suédois avec les noms de famille fraîchement ajoutés — le mélange implausible classique — et cela se remarquait plus qu'avant notre intervention.

Pourquoi. Les prénoms avaient la même lacune, et nous n'avions pas regardé. Une sonde de 40 marqueurs passée sur le fichier de prénoms masculins a trouvé trois occurrences — 0,22 % — et le fichier féminin en avait zéro. Ahmed n'existait tout simplement pas comme prénom dans nos données.

Les appariements implausibles n'étaient donc pas causés par l'ajout de noms de famille. Ils étaient causés par le fait que ces noms de famille n'avaient aucun prénom correspondant à qui s'associer. Avant la correction, les deux côtés étaient lacunaires et la lacune était invisible par symétrie. Réparer un côté n'a pas introduit le problème ; cela l'a révélé — et le révéler ressemblait exactement à le provoquer.

(Comblé des deux côtés le jour même : la couche des prénoms masculins est passée de 0,22 % à 2,98 %, celle des prénoms féminins de 0 % à 0,93 %.)

La leçon. Quand deux jeux de données sont joints, un défaut présent dans les deux peut rester invisible, et une correction juste apportée à l'un peut passer pour une régression. Corrigez les deux côtés ou aucun — et avant de conclure que votre correction a cassé quelque chose, vérifiez si elle n'a pas simplement mis quelque chose au jour.

Le fil qui traverse les huit

Mettez-les côte à côte et elles sont toutes la même erreur :

• 38 % et 31 % sont tous deux « la fréquence de Nguyễn » — sur des échantillons différents.
• 10 % et 4 % sont tous deux « les Islandais ayant un nom de famille » — sur des catégories différentes.
• 8,20 % et 7–8 % sont tous deux « les noms de famille ethnonymiques hongrois » — sur le même jeu de données, compté deux fois.
• 2 915 761 et 1 446 937 sont tous deux « García en Espagne » — sur les positions contre les porteurs.
• 63,9 % et 65,8 % sont tous deux « le top 10 de la Corée » — sur des écritures différentes.
• 50:1 et 3 351:1 sont tous deux « le rapport d'une liste de 1 500 entrées » — sur des listes différentes.
• « Étrange » signifie artificiel à Taïwan et normal en Ukraine — sur des registres différents.
• 0,22 % est à la fois une correction et un défaut — selon l'autre côté de la jointure.

Pas un seul de ces chiffres n'est faux. Chaque valeur de cet article est exacte à propos de quelque chose. Elles ne sont fausses que sur ce dont nous les croyions parler — et l'erreur est silencieuse à chaque fois, parce qu'un chiffre arrive sans que sa définition l'accompagne.

Ce qui est la vraie leçon, plus terne que chacune des huit histoires : une valeur sans dénominateur, échantillon, catégorie et portée explicites n'est pas une donnée. C'est un chiffre. Le travail ne consiste pas à trouver des nombres — les nombres sont abondants et gratuits. Le travail consiste à établir ce que chacun compte, puis à refuser d'en comparer deux tant que ce n'est pas fait.

Sur ces huit points, nous nous sommes d'abord trompés, puis corrigés. Nous nous tromperons aussi sur le neuvième. La seule défense que nous connaissions consiste à écrire la définition à côté du chiffre, à chaque fois, pour que la personne suivante ait quelque chose à contester.

Données arrêtées au 2026-07-17

Tous les chiffres ont été vérifiés lors d'un audit des corpus de noms pondérés sur 63 locales. ⚠ Le corpus comptait 63 locales quand ces chiffres ont été mesurés ; en_IE a été ajoutée le 18 juillet 2026 et il en compte 64 aujourd'hui. Chaque erreur décrite ici en est une que nous avons commise et corrigée à cette date.

• Vietnam : hoten.org VNTH01 (n = 1 682 729) et SG01 (n ≈ 241 000, Hô Chi Minh-Ville), CC BY 4.0 tel que déclaré dans le texte de la page ; Nguyen Viet Khoa (2024), « Vietnamese Surnames », Genealogy 8(1):16, n = 883 835 → 31,57 %, Hanoï 39,01 % contre HCMC 30,61 %. <doi.org/10.3390/genealogy80100…; — Comparé à l'échantillon de Lê Trung Hoa de 1992. ⚠ La taille souvent citée de cet échantillon (n = 1 941) provient de nos notes de travail et nous n'avons pas pu la confirmer : la littérature secondaire en reproduit les 38,4 % sans indiquer ni la taille de l'échantillon ni la méthodologie. La conclusion selon laquelle 38 % est un chiffre zombie repose sur les trois grands échantillons ci-dessus, pas sur ce nombre.
• Islande : Hagstofa Íslands, 1er janvier 2017 — 4 % de ættarnöfn, 82 % de patronymes, 14 % d'autres (en grande partie d'origine étrangère). Contexte juridique : loi nr. 54/1925 (a interdit les nouveaux noms de famille), 41/1913 (les a autorisés), puis 37/1991 et 45/1996. <statice.is/&gt;
• Hongrie : part ethnonymique 8,20 % du poids du fichier ; calibrée sur registre (Tóth 2,192 % contre 2,19 % au registre) ; le « 7–8 % du stock de noms de famille » de Farkas provient du même registre. Rapporté ici comme un contrôle de cohérence, pas comme une vérification.
• Espagne : INE, Frecuencias de apellidos, Censo au 01/01/2025 — García 1 446 937 en premier nom de famille ; 2 915 761 sur les deux positions. <ine.es/daco/daco42/nombyapel/…;
• Portugal : top 10 = 45,7 % des porteurs / 22,8 % des positions.
• Corée : top 10 = 63,9 % en hanja, 65,8 % en hangul ; 정 = 4,84 % (鄭 + 丁) contre 최 = 4,7 %. Parts calculées sur ~49,7 millions de citoyens, non sur la population totale.
• France : fichier trié sur le volet couvrant les rangs 1–126 772 ; rapport interne 3 351:1 contre ~50:1 pour un top 1 500 contigu en rangs.
• Ukraine : échantillon aléatoire reproductible n = 25 (tirage 20260717) dans la queue de faible poids d'un fichier de noms de famille de 2 209 entrées ; 0 artificiel. Entrées démontrablement artificielles dans l'ensemble du fichier : ~2–10. Le corpus ukrainien a depuis été reconstruit et compte aujourd'hui 2 562 entrées pondérées sur registre. Contexte national : 707 685 noms de famille uniques, ~64 porteurs chacun. Aucun registre nom par nom n'est publié à cette profondeur (ridni.org, forebears.io et stats.ridni.org ne proposent aucun jeu de données téléchargeable ; la littérature ne publie que le top 100).
• Taïwan : registre des noms de famille du ministère de l'Intérieur (2 731 noms de famille avec comptages nom par nom) — 33 entrées sans porteur supprimées ; 澹臺 conservé avec 2 porteurs. <data.gov.tw/dataset/126774&gt;
• Suède : registre SCB — noms de famille (411 798 entrées, couvrant 96,1 % de la population) et prénoms tilltalsnamn au 31 décembre 2022. Couche migratoire dans les prénoms masculins 0,22 % → 2,98 % ; féminins 0 % → 0,93 %. <scb.se/en/finding-statistics/…;

Lorsqu'un chiffre est une cible, une estimation ou n'est pas confirmé, il est signalé comme tel ci-dessus.