Quels pays partagent des noms ? Nous avons mesuré les 1 953 paires — et la correspondance la plus proche de l'Argentine n'est pas l'Espagne

Nous avons pris les corpus de noms des 63 locales que le corpus contenait au moment de l'exécution, comparé chacune des 1 953 paires possibles selon deux métriques de similarité, puis nous les avons classées. Le haut du classement est en grande partie ennuyeux, au meilleur sens du terme : la France et la Belgique, l'Autriche et l'Allemagne, le Pérou et le Venezuela. L'histoire s'est comportée comme prévu.

Puis, au rang 10 de la similarité des noms de famille — devant l'Espagne et le Pérou, devant l'Allemagne et la Suisse — on trouve l'Argentine et l'Italie. Deux pays qui ne partagent ni frontière, ni langue, ni relation coloniale. Ils partagent 565 noms de famille, et ces noms portent 26,9 % de la masse des noms de famille argentins tout en étant totalement absents d'Espagne.

Ce n'est pas une erreur de données. C'est la période 1880–1930, quand environ deux millions d'Italiens sont partis pour l'Argentine, arrivant dans un pays de huit millions d'habitants. Les noms de famille sont venus avec eux et sont restés. Notre matrice a redécouvert une vague migratoire à partir du seul recoupement de chaînes de caractères, sans qu'on lui ait dit qu'elle avait eu lieu.

Cet article parcourt toute la matrice : ce qui est proche, ce qui est lointain, ce qui nous a surpris et — c'est important — les deux endroits où la méthode échoue et produit des absurdités assénées avec assurance.

Comment la similarité a été mesurée

Deux métriques, délibérément, parce qu'elles divergent de manière instructive.

Jaccard compare les ensembles. De tous les noms apparaissant dans l'un ou l'autre pays, quelle fraction apparaît dans les deux ? Il ignore totalement la fréquence — un nom porté par six millions de personnes compte autant qu'un nom porté par six.

Le cosinus compare les vecteurs pondérés. Chaque corpus est normalisé pour que sa somme vaille 1, et nous prenons le cosinus de l'angle entre les deux. Une paire n'obtient un score élevé que si les noms communs portent des proportions similaires dans les deux pays.

Quand Jaccard est élevé et le cosinus faible, deux pays puisent dans le même réservoir mais l'utilisent différemment. Quand le cosinus est élevé et Jaccard faible, ils ne se recoupent que sur peu de noms, mais ces quelques noms sont les gros des deux côtés. Les deux cas sont réels et les deux sont intéressants.

Les paires les plus proches

Prénoms

(Les paires francophones sont fr_FR/fr_BE/fr_CH/fr_CA ; « Italie – Suisse » correspond à it_IT/it_CH.)

Le groupe francophone domine si complètement qu'il demande une explication. La Belgique et la France obtiennent 0,907 en Jaccard — neuf noms sur dix sont communs. Aucune autre famille linguistique n'en approche : les paires germanophones plafonnent à 0,537, les hispanophones à 0,610, les anglophones à 0,507.

C'est réel, mais réel pour une raison précise. Les répertoires de prénoms français sont effectivement plus unifiés d'un pays à l'autre que les répertoires allemands ou anglais, parce que l'attribution des prénoms en France a été réglementée de manière centralisée pendant deux siècles. De 1803 à 1993, la loi française limitait les prénoms légaux à une liste sanctionnée par l'État — noms de saints et figures de l'Antiquité — et les pratiques francophones belge et suisse suivaient les mêmes conventions. L'Allemagne n'a jamais eu de liste unique ; la Bavière et la Prusse nommaient différemment. Les pays anglophones n'ont jamais eu la moindre liste.

L'extraordinaire cohésion du groupe francophone est donc un fossile de la loi du 11 germinal an XI napoléonienne. Deux siècles d'un répertoire légal unique, encore visibles dans une comparaison de corpus en 2026.

Noms de famille

Portugal–Brésil est la démonstration la plus claire de l'utilité de deux métriques. Jaccard 0,294 — modeste, seulement 198 noms de famille communs. Cosinus 0,845 — le troisième plus élevé de toute la matrice. Les deux pays partagent relativement peu de formes de noms de famille, mais celles qu'ils partagent sont les dominantes des deux côtés : Silva, Santos, Oliveira, Souza figurent en tête de chaque liste. Le répertoire brésilien diverge ensuite énormément par des apports italiens, allemands, japonais, libanais et indigènes que le Portugal n'a jamais reçus. Même tête, corps différent — exactement la signature qu'on prédirait pour une colonie restée linguistiquement portugaise tout en absorbant une migration que le Portugal n'a pas connue.

L'Argentine et l'Italie

Revenons au rang 10, car c'est le résultat qui nous a fait relancer le script deux fois.

L'Argentine et l'Italie partagent 565 noms de famille. Classée par poids dans le corpus argentin, la tête de cette liste commune se lit ainsi :

L'objection évidente est qu'il pourrait s'agir simplement de noms de famille panromans que l'Espagne possède aussi, auquel cas le lien italien serait fallacieux. Nous avons donc retiré tout nom de famille figurant également dans le corpus espagnol. 538 des 565 subsistent — et ils portent toujours 26,9 % de la masse totale des noms de famille argentins.

Environ un quart du poids de la distribution des noms de famille argentins est constitué de noms italiens que l'Espagne ne possède pas. Rossi, Ferrari, Esposito, Bianchi ne sont pas passés par Madrid. Ils sont arrivés directement à Buenos Aires entre 1880 et 1930, pendant une migration dont le pic a vu les Italiens arriver en Argentine plus vite que vers toute autre destination, États-Unis compris. La recherche démographique argentine estime couramment qu'une majorité d'Argentins ont une part d'ascendance italienne ; notre chiffre de masse des noms de famille est une mesure indépendante du même phénomène, prise d'une direction totalement différente.

La métrique qui capte cela est Jaccard, pas le cosinus. Le cosinus de la paire n'est que de 0,171, parce que les plus gros noms de famille argentins restent espagnols — González, Rodríguez, Gómez — et que l'Italie n'en possède aucun. La couche italienne se trouve sous la tête espagnole. Le recoupement d'ensembles la voit ; le recoupement pondéré la masque en partie. Si nous n'avions calculé que le cosinus, nous serions passés à côté du résultat le plus intéressant de toute la matrice.

La direction compte — et elle est le plus souvent oubliée

La similarité est symétrique. Le recoupement ne l'est pas, et c'est là que la plupart des travaux de comparaison de noms dérapent.

Demandez « quelle part de la masse de noms du pays A est constituée de noms qui existent aussi dans le pays B » et vous obtenez deux chiffres différents selon le sens dans lequel vous posez la question :

La Turquie et l'Allemagne. Seuls 24 noms de famille sont communs — mais ces 24 sont les plus gros de Turquie : Yılmaz, Kaya, Demir, Çelik, Yıldız, Şahin, Öztürk. Ils représentent 17,1 % de la masse des noms de famille turcs. Du côté allemand, ces mêmes 24 noms pèsent 2,0 % de la masse allemande. Les deux chiffres sont corrects et ils décrivent le même objet : la migration de travail turque vers l'Allemagne de l'Ouest après 1961, qui a introduit des noms de famille turcs dans les registres allemands à une fréquence de l'ordre du pour-cent, sans rien déplacer. Écrit sous la forme « la Turquie et l'Allemagne se ressemblent à 17 % », ce serait trompeur. Écrit sous la forme « les noms de famille les plus courants de Turquie pèsent désormais d'un poids mesurable dans ceux de l'Allemagne », c'est exact.

Le Vietnam et la Tchéquie. 21 prénoms communs — Anh, Minh, Lan, Linh, Mai, Trang — qui portent 18,1 % de la masse des prénoms vietnamiens et 0,5 % de la masse tchèque. La Tchéquie abrite l'une des plus grandes communautés vietnamiennes d'Europe par habitant, héritage des accords de travail et d'études de l'époque socialiste entre la Tchécoslovaquie et le Nord-Vietnam. Le corpus tchèque enregistre ces prénoms au poids 2, contre 96 pour Jan. Petits en Tchéquie, énormes au Vietnam, entièrement réels des deux côtés.

La Russie et l'Ukraine. Le chiffre bas le plus frappant de la matrice. Deux pays slaves voisins qui écrivent dans le même alphabet ne partagent que 12 noms de famille sur des milliers, avec un Jaccard de 0,003. Ce n'est pas un problème d'écriture — les deux sont en cyrillique. C'est une véritable différence structurelle : les noms de famille russes sont massivement des possessifs adjectivaux en -ov/-ev/-in, tandis que les ukrainiens sont dominés par le patronyme -enko et la famille -uk/-yuk. Les systèmes de suffixes ne se recoupent presque pas. L'Ukraine et la Russie sont plus éloignées l'une de l'autre sur les noms de famille que ne le sont la Grande-Bretagne et l'Inde.

Là où la méthode échoue

Deux modes de défaillance, tous deux graves, tous deux faciles à manquer.

La barrière des écritures

981 paires sur 1 953 ne partagent aucun prénom. 1 287 sur 1 953 ne partagent aucun nom de famille. Entre la moitié et les deux tiers de toute notre matrice sont composés de zéros.

Presque aucun de ces zéros ne signifie que les systèmes de noms sont sans lien. Ils signifient que les deux corpus sont écrits dans des alphabets différents, et que la comparaison de chaînes ne peut pas voir à travers un alphabet.

Le cas probant est décisif. Le serbe apparaît deux fois dans nos données — sr_RS en cyrillique et sr_Latn_RS en alphabet latin. Même pays, même langue, mêmes noms, et, à l'inspection, les deux fichiers contiennent les mêmes données dans deux écritures : nombres d'entrées identiques (1 143 prénoms, 958 noms de famille) et totaux de poids identiques. Leur similarité mesurée :

Dissemblance parfaite entre un corpus et une translittération de lui-même. Toute conclusion tirée d'un zéro de cette matrice sans avoir d'abord vérifié les écritures est sans valeur — et cela vaut pour tout le classement des « paires les plus éloignées », raison pour laquelle nous n'en publions aucun. Les paires les plus éloignées selon la mesure sont le grec et le coréen, l'hébreu et le bengali, le géorgien et le japonais ; la mesure est entièrement un artefact des systèmes d'écriture et ne vous apprend rien sur les noms.

Sept locales sont des isolats complets dans notre matrice, ne partageant rien avec personne : le bengali, le grec, l'hébreu, l'arménien, le géorgien, le coréen et le népalais. Chacune est la seule occupante de son écriture dans notre corpus.

Les caractères han sont communs ; les noms de famille ne le sont pas

Le corpus japonais partage 339 entrées de noms de famille avec celui de Taïwan, ce qui couvre 75,4 % de la masse des noms de famille japonais. Lu naïvement, cela revient à dire que le Japon et Taïwan ont presque les mêmes noms de famille. Ce n'est pas le cas.

Les entrées communes sont écrites en caractères han, que les deux systèmes d'écriture utilisent. 佐藤 (Satō) figure bel et bien dans le registre taïwanais — le ministère de l'Intérieur de Taïwan publie sans seuil de confidentialité, si bien que tout nom de famille comptant au moins un porteur est répertorié, et Taïwan compte des résidents portant des noms de famille japonais hérités de la période coloniale 1895–1945 et de naturalisations ultérieures. Mais le poids est le suivant :

La direction inverse donne 8,4 %, et même ce chiffre surestime le phénomène, car il est dominé par des noms de famille à un seul caractère comme 林 et 王, courants dans les deux langues pour une raison sans rapport : toutes deux les ont hérités du chinois classique.

La leçon se généralise : une écriture commune gonfle le recoupement, une écriture différente le détruit, et ni l'un ni l'autre n'a le moindre rapport avec la parenté réelle des noms. Chaque chiffre inter-écritures de cet article est donné dans un seul sens, avec son pendant affiché juste à côté, précisément pour cette raison.

Ce que nous attendions et n'avons pas obtenu

Quatre prédictions faites avant de calculer la matrice, et ce qu'elles sont devenues :

Le résultat espagnol est la deuxième vraie surprise. L'Espagne n'est pas le centre du groupe de noms hispanophone. Les paires hispaniques les plus serrées sont toutes américaines — Pérou–Venezuela 0,610, Argentine–Pérou 0,528, Argentine–Venezuela 0,475 — alors que toute paire incluant l'Espagne obtient un score plus faible. Les pays d'Amérique latine se ressemblent davantage entre eux qu'aucun d'eux ne ressemble à l'Espagne, ce à quoi on s'attend après quatre siècles de dérive onomastique indépendante, plus, dans le cas argentin, deux millions d'Italiens.

Conclusion

Mesurée sur 1 953 paires, la similarité des noms suit l'histoire avec une fidélité troublante : le droit napoléonien des prénoms dans le groupe francophone, la continuité coloniale portugaise dans la paire brésilienne, la migration de masse italienne dans la couche des noms de famille argentins, la migration de travail turque dans le registre allemand, les accords d'études de la guerre froide dans les prénoms vietnamiens installés au sein des données tchèques.

Elle produit aussi des absurdités assénées avec assurance partout où les alphabets diffèrent, et la moitié de notre matrice est faite de ces absurdités. L'opération la plus importante de toute cette analyse a été de vérifier si le serbe se ressemblait à lui-même. Ce n'était pas le cas — et tant que vous n'avez pas fait ce contrôle, vous ne pouvez pas distinguer un vrai zéro d'un alphabet.

Méthodologie et sources

Ce qui a été calculé. Pour les 63 locales de la version de corpus share 1.1.7 — la version en vigueur au moment de l'exécution ; le corpus est aujourd'hui en share 1.1.8 — nous avons construit deux vecteurs par locale : les prénoms (fichiers masculins et féminins fusionnés) et les noms de famille (lastname_male ; dans la plupart des locales, les fichiers de noms de famille masculins et féminins sont identiques, si bien que fusionner les deux ne ferait que doubler chaque poids). Pour chacune des 1 953 paires non ordonnées, nous avons calculé Jaccard sur les ensembles de clés et le cosinus sur des vecteurs de poids normalisés en L1, ainsi que le recoupement pondéré directionnel dans les deux sens. Analyse exécutée le 2026-07-18. ⚠ Le corpus contenait 63 locales quand ces chiffres ont été mesurés ; en_IE a été ajoutée le 18 juillet 2026 et il en contient 64 aujourd'hui. Les 1 953 paires sont toutes les paires non ordonnées de ces 63 ; un nouveau calcul sur 64 en donnerait 2 016.

Limites, par ordre de gravité.

1. Incomparabilité des écritures. L'égalité de chaînes est la seule règle de correspondance utilisée. Aucune translittération, aucune normalisation entre alphabets. 981 paires de prénoms et 1 287 paires de noms de famille se mesurent à zéro, et la quasi-totalité d'entre elles sont des artefacts d'écriture plutôt que des résultats. Démontré par le témoin sr_RS / sr_Latn_RS, qui obtient 0,0000 face à une translittération de lui-même. Aucun classement des « paires les plus éloignées » n'est publié dans cet article, car ce classement serait un classement d'alphabets.

1. Gonflement par écriture commune. Les locales à caractères han (ja_JP, zh_CN, zh_TW, ko_KR là où les hanja sont utilisés) présentent un recoupement élevé qui reflète un inventaire de caractères commun plutôt que des noms de famille communs. Chaque chiffre de ce type est rapporté de façon directionnelle, avec les deux valeurs affichées.

1. Les échelles de poids ne sont pas comparables d'une locale à l'autre. Lors de l'exécution, 61 des 63 locales portaient des entiers relatifs sur une échelle de 1 à 255 et seules zh_TW et vi_VN portaient des effectifs bruts. Cette répartition a évolué depuis : au 22 juillet 2026, 12 des 64 corpus de noms de famille portent des effectifs de registre et 52 sont relatifs. Le cosinus est calculé sur des vecteurs normalisés en L1, ce qui supprime l'échelle mais pas les différences de forme issues de profondeurs de calibrage différentes. Jaccard n'en est pas affecté, étant fondé sur les ensembles. Les poids absolus ne sont jamais comparés entre locales nulle part dans cet article.

1. La profondeur des corpus varie de 184 entrées (noms de famille coréens) à 3 830 (prénoms suédois). Jaccard y est sensible : un corpus plus profond d'un côté abaisse mécaniquement le score en agrandissant l'union. Les paires de profondeur comparable sont plus fiables, ce qui est une raison de plus pour laquelle le groupe francophone (les quatre corpus à 798 prénoms) obtient un score aussi net.

1. Les corpus sont des échantillons, pas des registres. À l'exception de zh_TW et vi_VN, ce sont des échantillons sélectionnés et pondérés par fréquence, construits à partir de données de registre, et non les registres eux-mêmes. Un nom absent d'un corpus n'est pas nécessairement absent du pays.

Les affirmations historiques et leur origine. Les mesures sur les données de noms ci-dessus sont les nôtres. Les explications historiques, elles, ne le sont pas et sont présentées comme du contexte plutôt que comme des résultats :

Là où notre mesure et l'histoire concordent, il s'agit d'une corroboration, pas d'une preuve — les corpus ont été construits à partir de sources de registre elles-mêmes façonnées par ces histoires. Le résultat argentino-italien est présenté comme une mesure indépendante parce que rien dans notre chaîne de construction de corpus n'avait connaissance de la migration italienne vers l'Argentine ; le recoupement a émergé de la seule comparaison de chaînes.

Lectures complémentaires : Comment la migration implante des noms de famille traite de l'arrivée des noms de famille dans les registres ; Les couches migratoires dans les cohortes de naissance fait de même pour les prénoms sur un axe temporel ; Comment auditer des données de fréquence des noms traite de la méthode de vérification en général.