L'office statistique espagnol supprime les accents des noms à dessein

Si vous vous êtes déjà demandé pourquoi tant de bases de données croient que les Espagnols s'appellent Jose, Angel et Maria, la preuve tient sur un seul écran.

Nous avons téléchargé les deux fichiers de noms que publie l'Instituto Nacional de Estadística (INE) espagnol — Nombres por fecha de nacimiento et Nombres más frecuentes — et nous y avons compté les séquences d'octets brutes :

Pas un seul accent aigu, dans aucun des deux fichiers, sur aucun prénom. María est le prénom féminin le plus répandu en Espagne et il n'apparaît pas une seule fois dans son orthographe correcte au sein des statistiques officielles espagnoles des noms.

L'explication évidente serait que quelque chose dans la chaîne de traitement a perdu les octets hauts — un fichier CP1252 lu comme de l'ASCII, un export hérité, un outil ancien. Cette explication est fausse, et ces deux mêmes fichiers la réfutent.

Le contrôle qui écarte l'encodage

Les noms de provinces figurent dans ces mêmes fichiers, dans le même flux d'octets, écrits par le même export :

Les octets porteurs d'un accent aigu sont physiquement présents dans le fichier. Í (0xCD), Á (0xC1), É (0xC9), Ó (0xD3) apparaissent tous — simplement jamais dans un nom.

Et il existe un second contrôle, plus tranchant, parce qu'il se situe à l'intérieur du champ du nom lui-même :

Ñ (0xD1) survit dans la colonne des noms. Le prénom basque Iñaki conserve son tilde ; un hypothétique INAKI n'existe dans aucun des deux fichiers. La transformation n'est donc pas « retirer le non-ASCII des noms », et ce n'est pas davantage « retirer le non-ASCII du fichier ». Elle est la suivante : retirer l'accent aigu, dans le champ du nom, et laisser tout le reste intact.

Ce n'est pas un bogue. Un bogue ne distingue pas Ñ de Í. C'est une règle que quelqu'un a écrite.

La documentation méthodologique de l'INE sur ces produits décrit une étape de nettoyage et de standardisation appliquée aux noms afin de les rendre comparables d'une source et d'une année à l'autre — objectif statistique parfaitement raisonnable, et qui produit exactement cela. Du point de vue de l'INE, MARIA et MARÍA sont deux orthographes d'un même nom, et les fusionner évite qu'un même nom apparaisse deux fois dans un classement de fréquence. Du point de vue de quiconque télécharge le fichier, un tiers des noms espagnols arrivent mal orthographiés.

Note sur la source et la licence. Les deux fichiers sont publiés par l'Instituto Nacional de Estadística sur ine.es et réutilisés ici selon les conditions de l'INE, qui exigent de nommer la source. Cette page la nomme. Tous les décomptes ci-dessus sont nos propres mesures effectuées sur les fichiers téléchargés, le 21 juillet 2026.

Quelle part de l'Espagne cela concerne

Ce n'est pas un problème de queue de distribution. Mesuré sur notre propre corpus espagnol de prénoms, construit sur les données de fréquence de l'INE et portant comme poids les décomptes de naissances du registre :

Environ un Espagnol sur trois porte un accent aigu dans son prénom. Dans les fichiers bruts de l'INE, cette part est nulle.

Du côté des noms de famille, c'est pire, pas mieux : notre corpus espagnol de noms de famille compte 2 522 entrées et 34 026 331 porteurs enregistrés, dont 716 entrées — 43,4 % du poids — portent un accent aigu. García, Pérez, Sánchez, Rodríguez, Fernández, González, Martínez, Gómez, Díaz, Álvarez. Le fichier de noms de famille de l'INE n'en accentue aucun non plus ; nous avons mesuré GARCIA 537 / GARCÍA 0 et PEREZ 248 / PÉREZ 0.

Ainsi, lorsqu'un jeu de données est décrit comme « construit sur les statistiques officielles espagnoles », la lecture exacte est la suivante : la tête de ce jeu de données est mal orthographiée, et l'erreur d'orthographe est héritée, pas introduite. C'est le mécanisme réel derrière les millions d'enregistrements, partout dans le monde, où un Espagnol s'appelle Jose.

Restaurer les accents, et ce que chaque méthode obtient réellement

Nous avons dû résoudre ce problème pour notre propre corpus, alors nous avons mesuré les options au lieu d'en débattre.

Le jeu de test. Avant la reconstruction à partir de l'INE, notre liste espagnole de prénoms était un petit fichier constitué à la main : 771 noms (396 masculins, 378 féminins), dont 155 — 20,1 % — portent un diacritique, correctement. Ce fichier est antérieur à l'import INE et ne partage aucune ligne avec lui : c'est donc un véritable jeu retenu à part. Le test : retirer ses accents pour simuler la sortie de l'INE, demander à chaque méthode de les remettre, puis comparer caractère par caractère avec l'original.

Les cinq lignes ont toutes été recalculées de zéro pour cette page le 21 juillet 2026, sur le corpus tel qu'il est livré aujourd'hui.

Pourquoi la règle évidente est la pire

Les règles d'accentuation espagnoles font paraître la règle de suffixe inévitable. Un mot terminé par -n ne porte l'accent tonique sur la dernière syllabe que s'il porte un accent écrit ; les terminaisons -ón, -án, -ín sont donc extrêmement fréquentes : Ramón, Julián, Joaquín, Adrián, Sebastián, Antón.

Sur les noms de famille, cette règle est quasi parfaite. Sur les prénoms, elle obtient 57,41 % — moins bien qu'un tirage à pile ou face selon certaines lectures — et voici toute la raison :

Juan       Esteban       Joan       Ferran       Cristian       Jonathan       Kevin       Jon

Chacun d'eux est un authentique prénom espagnol (ou catalan, ou importé) qui est paroxyton — accentué sur l'avant-dernière syllabe — et qui s'écrit donc correctement sans aucun accent. La règle les transforme en Juán, Estebán, Joán, Ferrán, Cristián, Jonathán, Kevín, Jón.

Sur les 23 noms sur lesquels la règle s'est trompée dans notre test, 11 relevaient de la famille Juan : Juan, Juan Carlos, Juan Antonio, Juan Manuel, Juan José, Juan Francisco, Juan Luis, Juan Pablo, Juan Miguel, Juan Pedro, Juan Ignacio, Juan Ramón, Juan Bautista. Juan est l'un des dix prénoms masculins les plus répandus en Espagne. Une règle exacte à 57 % mais qui concentre ses erreurs sur le seul nom le plus répandu qu'elle touche n'est pas utile à 57 % — c'est une règle qui casse visiblement la première page de vos données.

La règle -ción / -sión est le cas inverse et mérite d'être conservée : en espagnol, tout mot terminé par -ción ou -sión est accentué sur la dernière syllabe, sans exception, et les noms de dévotion mariale bâtis sur ce modèle (Concepción, Encarnación, Asunción, Purificación, Ascensión, Consolación, Resurrección) sont assez fréquents en Espagne pour compter. Elle s'est déclenchée sur 8 tokens distincts du jeu de test et a donné les 8 bonnes réponses. Son score au niveau du nom passe sous les 100 % pour une raison de mesure et non par échec de la règle : dans Maria Concepcion, la règle a bien produit Concepción mais ne pouvait pas corriger Maria, si bien que la chaîne complète ne correspondait toujours pas.

Pourquoi l'emprunt aux voisins fonctionne

La méthode qui obtient réellement des résultats est terne : prendre les orthographes accentuées d'autres locales hispanophones — Argentine, Pérou, Venezuela —, les indexer par leur forme sans accent et en minuscules, puis utiliser l'orthographe la plus lourde comme réponse pour le token espagnol correspondant.

Elle fonctionne parce que ces registres publient les accents. Les noms sont les mêmes noms. José à Lima s'écrit comme José à Séville, et personne n'en a retiré l'accent en chemin.

Elle se déclenche sur 17,6 % du jeu de test et a raison dans 99,26 % des cas. Son unique erreur est instructive : Telesforo → Telésforo. Le corpus vénézuélien préfère l'orthographe esdrújula, l'Espagne non, et un lexique seul ne peut pas le savoir. Une erreur sur 136, c'est le prix.

Ajouter le portugais ressemble à de la couverture gratuite et n'en est pas. La couverture passe de 17,6 % à 18,2 % et la précision tombe de 99,26 % à 97,14 %, parce que le portugais et l'espagnol divergent précisément sur les noms qui sont par ailleurs identiques : António vs Antonio, Olívia vs Olivia, Aurélia vs Aurelia, Custódia vs Custodia. Une langue voisine n'est une bonne source que là où les deux orthographes concordent, et il n'existe aucun moyen bon marché de savoir où c'est le cas.

Aller en ligne ne vous sauve pas : Wikidata a le même défaut

Le mouvement naturel suivant est « il suffit de chercher le nom ». Nous avons testé cela sur Wikidata, le plus grand entrepôt d'éléments de noms librement interrogeable, en extrayant les libellés en espagnol des éléments typés comme noms de famille.

Près de deux sur cinq des noms de famille espagnols accentués que Wikidata connaît n'y figurent que dans la mauvaise orthographe :

Et voici la partie qui le rend inutilisable comme correcteur, et pas seulement incomplet : García, Pérez, Rodríguez, González, Sánchez, Gómez, Muñoz, Álvarez et Velázquez sont tous correctement accentués dans le même ensemble de libellés. Wikidata n'a pas été uniformément dépouillé de ses accents — il est incohérent, élément par élément, parce que chaque élément a été créé par un contributeur différent, qui importait depuis une source différente. Martin et Martín existent tous deux comme libellés distincts ; Diaz et Díaz aussi.

Une source uniformément corrompue peut être réparée par une seule transformation. Une source corrompue de façon incohérente ne peut pas être réparée du tout sans une seconde source pour arbitrer, et si vous disposiez de cette seconde source, vous n'auriez pas besoin de la première. « Vérifiez-le sur Internet » n'est pas un plan ; c'est une façon d'importer chez vous le taux d'erreur non étiqueté de quelqu'un d'autre.

Ce que nous avons changé, et ce que nous n'avons délibérément pas changé

Nous avons restauré les accents dans le corpus espagnol de prénoms à l'aide du lexique, de la règle -ción et d'un petit nombre de corrections de tête justifiées manuellement, puis nous avons appliqué la modification identique aux fichiers de cohortes décennales, parce que le générateur lit d'abord le fichier de cohorte et que laisser les deux incohérents aurait été pire que de ne rien faire.

Les invariants ont tenu : nombre d'entrées inchangé (10 961 masculins, 12 516 féminins), poids total inchangé à l'unité près (17 832 848 et 17 980 967), zéro fusion, zéro ligne ajoutée ou perdue. Seule l'orthographe de la colonne 0 a bougé.

La tête du corpus se lit désormais comme l'Espagne l'écrit :

Ce que nous avons laissé intact est la moitié la plus intéressante.

Alex — 30 577 de poids — reste intact, parce que le castillan écrit Álex et le catalan Àlex, deux accents différents sur la même chaîne, et que le registre ne porte aucun marqueur de langue permettant de choisir entre eux. Nuria (118 896) reste intact pour la même raison : catalan Núria, castillan Nuria. Desiree (11 370) a trois orthographes plausibles et aucune preuve.

Le plus gros cas insoluble à lui seul est Maria lui-même. Le catalan l'écrit sans accent ; le castillan l'écrit María. L'INE les a fusionnés en une seule ligne bien avant que nous voyions le fichier. Nous avons choisi la lecture castillane parce qu'elle domine numériquement, ce qui signifie qu'une part des porteurs catalans et baléares reçoit une orthographe qui est fausse pour eux. Nous ne pouvons pas corriger cela et nous n'allons pas faire comme si le nombre était plus petit qu'il ne l'est.

Nous avons aussi empêché la méthode de se déclencher à l'intérieur de composés d'apparence étrangère. Laissés tels que l'INE les a publiés : Gheorghe Adrian, Ionut Valentin, Vasile Adrian, Fatima Zahra, Martin John, Simon Peter. Un Adrian roumain n'est pas un Adrián espagnol, et le registre espagnol contient un très grand nombre de noms roumains, marocains et latino-américains. Le poids Jose résiduel encore non accentué dans notre fichier — 1 115 — relève presque entièrement de cette catégorie, et nous tenons cela pour correct.

Une version automatique de ce garde-fou a échoué, et l'échec mérite d'être consigné : « bloquer si le token apparaît dans un corpus non espagnol et pas dans un corpus espagnol » a produit 817 annulations, incluant à tort Aránzazu, África, Mercè et Eloísa — parce que nos corpus anglais et français sont eux-mêmes pleins de noms espagnols, ayant été construits à partir de recensements de pays à forte population hispanique. Aucune séparation automatique n'était disponible, si bien que le garde-fou est une liste de marqueurs étrangers écrite à la main, et nous le disons plutôt que de l'enjoliver.

Que faire de tout cela

Ne traitez jamais un office national de statistique comme une source orthographique. C'est une autorité en matière de décomptes. Son champ de nom est passé par une étape de nettoyage conçue pour rendre les décomptes comparables, et la fidélité orthographique ne fait pas partie des objectifs de cette étape. Ce n'est pas propre à l'Espagne — c'est à cela que sert une étape de normalisation.

Testez l'hypothèse de l'encodage avant de l'accepter. Deux greps la tranchent. Le fichier contient-il des octets accentués quelque part ? Le champ du nom conserve-t-il ne serait-ce qu'un caractère non-ASCII ? Si la réponse est oui aux deux questions, vous avez sous les yeux une règle éditoriale, pas du mojibake, et aucune dose d'iconv n'y changera rien.

Ne restaurez pas les accents avec une règle d'accentuation tonique. Les règles d'accentuation espagnoles décrivent comment écrire un mot que vous connaissez déjà ; elles ne vous disent pas quel mot vous avez devant vous. Juan et Julián ne diffèrent en rien qu'une expression régulière puisse voir.

Utilisez un autre registre de la même langue, et mesurez-le. Chaque méthode de cette page a demandé moins d'une heure d'évaluation sur un jeu retenu à part, et le classement n'a pas été celui que nous attendions avant de mesurer. L'écart entre 57 % et 99 % n'est pas affaire de goût.

Stockez la langue en plus du nom. Maria et María sont tous deux corrects ; savoir lequel est correct pour une personne donnée dépend d'un fait que la chaîne du nom ne porte pas. Si votre modèle de données n'a nulle part où loger ce fait, vous continuerez à le redériver, mal, indéfiniment.

Dites quelle orthographe vous avez livrée. Notre corpus s'écarte désormais de la forme publiée par l'INE sur 5 569 entrées. Quiconque rapproche notre fichier de la source verra la différence, et devrait pouvoir en consulter la raison plutôt que de supposer une corruption.

Limites connues

• La restauration atteint 18 % de couverture, pas 100 %. La méthode reste délibérément muette sur environ 9 500 tokens qu'elle ne reconnaît pas — Mohamed, Youssef, Mihaela, Aitor, Mikel, Josep, Jordi. La plupart d'entre eux sont correctement non accentués ; certains ne le sont pas. Le silence là où il n'y a pas de preuve est un choix de conception, pas un oubli.
• Maria en catalan est faux dans notre fichier, par choix. Il en va de même pour Alex, Nuria et Eulalia pour une minorité de porteurs, par refus de choisir.
• Nous avons mesuré Wikidata une fois, à partir d'une seule requête. Wikidata change tous les jours et notre chiffre est un instantané, pas une affirmation permanente sur le projet.
• Notre part de poids portant un accent (34,79 %) compte les entrées portant un accent aigu ou grave, pas les entrées que nous avons modifiées. Certaines de ces orthographes étaient là depuis toujours — Iñaki, Begoña, Llorenç — et ont été explicitement protégées du correcteur.
• Nous n'avons pas vérifié l'intention déclarée de l'INE, seulement sa sortie. Les décomptes d'octets prouvent que la transformation est circonscrite au champ et délibérée. Ils ne prouvent pas pourquoi.

Données arrêtées au 2026-07-21

Fichiers INE téléchargés et comptés octet par octet le 21 juillet 2026. Chiffres du corpus recalculés le même jour à partir des fichiers de poids livrés : prénoms es_ES 10 961 ♂ / 12 516 ♀ portant 17 832 848 / 17 980 967 naissances enregistrées ; noms de famille 2 522 entrées portant 34 026 331 porteurs. Elaboración propia con datos extraídos del sitio web del INE: www.ine.es.

Sources

• INE — Nombres y apellidos más frecuentes
• INE — Aviso legal y condiciones de reutilización
• Real Academia Española — Ortografía: acentuación
• Wikidata Query Service