Verwurzelt oder importiert? Wie man sie allein mit dem Register unterscheidet

Das spanische nationale Statistikinstitut INE veröffentlicht seine Nachnamen ohne Akzente. GARCIA, MARTINEZ, TRAORE, CALDERON — 86.512 Zeilen, 1.832 davon mit Ñ und null mit einem Akut-Akzent oder einem Trema. Die Zählungen sind exakt, die Schreibweise ist entfernt.

Wenn Sie Nachnamen aus diesem Register einem Korpus hinzufügen wollen, der Spanisch korrekt schreibt, müssen Sie die Akzente wieder einsetzen. Spanisch ist hier ungewöhnlich kooperativ: Betonung und Akzent sind regelgesteuert, und eine Klasse ist nahezu lückenlos. Ein Nachname, der auf -on, -an oder -in endet, trägt den Akzent auf dem letzten Vokal. CALDERON → Calderón. BELTRAN → Beltrán. MARTIN → Martín.

Wir haben diese Regel an 140 Nachnamen in einem bestehenden, handkuratierten spanischen Korpus gemessen, dessen korrekte Schreibweise bereits bekannt war. Sie reproduzierte 136 von 140 — 97,14 %.

Dann haben wir uns die vier angesehen, die sie verfehlte:

Lin · Hussain · Khan · Pan

Die Regel ist nicht zu 97 % genau. Sie ist zu 100 % genau bei spanischen Nachnamen und zu 0 % genau bei allem anderen, und das Register sagt Ihnen nicht, was was ist. Auf den Schwanz des Registers angewandt, hätte sie Johnsón, Wilsón, Thompsón, Robinsón, Moldován, Constantín, Rahmán und Hassán erzeugt — eine Reihe von Falschschreibungen, die dauerhaft in einem Namenskorpus gesessen hätten, jede auf eine selbstbewusste, spanisch aussehende Weise falsch.

Gebraucht wurde ein Test, der verwurzelte Nachnamen allein mithilfe des Registers von importierten trennt. Es gibt einen, er ist eine einzige Division, und er funktioniert wegen eines Zufalls im spanischen Namensrecht.

Der Mechanismus, in einem Absatz

Eine spanische Person trägt zwei Nachnamen: den ersten (apellido 1º) vom Vater, den zweiten (apellido 2º) von der Mutter. INE veröffentlicht sie als getrennte Spalten. Ein Nachname erreicht die zweite Spalte erst, wenn eine Frau, die ihn trägt, ein in Spanien registriertes Kind bekommen hat und dieses Kind nun ein gezählter Einwohner ist. Ein Nachname, der erst kürzlich angekommen ist, kann als ap1 häufig und als ap2 nahezu abwesend sein, weil das Füllen der zweiten Spalte eine Generation dauert.

Also ist das Verhältnis

c2 / c1

keine Schätzung von irgendetwas. Es ist eine Zählung dessen, wie weit sich ein Nachname durch die mütterliche Linie innerhalb des spanischen Registers ausgebreitet hat. Warum das funktioniert und was es bedeutet und was nicht, haben wir in Wie Spaniens Nachnamenregister zufällig Integration misst behandelt. In diesem Artikel geht es darum, es in ein Entscheidungsverfahren mit einer Schwelle zu verwandeln, was ein anderes und schwierigeres Problem ist.

Wo die Schwelle zu setzen ist

Ein Verhältnis ist erst dann ein Filter, wenn man weiß, wo man schneidet. Eine runde Zahl zu wählen wäre passend; der ehrliche Weg besteht darin, zuerst die Form der Verteilung zu betrachten.

Über die 2.222 handkuratierten spanischen Nachnamen hinweg — eine Menge, die zusammengestellt wurde, ohne diese Spalte je zu konsultieren — ist die Verteilung ein Zacken:

2.070 von 2.222 — 93,2 % — landen zwischen 0,9 und 1,1. Median 0,987, p10 0,924, p90 1,036. Ein etablierter spanischer Nachname wird über beide Elternlinien mit fast genau derselben Rate weitergegeben, und das seit Jahrhunderten, sodass sich das Verhältnis mit sehr wenig Streuung bei 1,0 festsetzt.

Nun dieselbe Messung über das Register selbst, beschränkt auf Nachnamen mit c1 ≥ 500 (7.991 davon). Hier ist die Verteilung kein Zacken. Sie ist bimodal:

Zwei Populationen und ein Tal zwischen ihnen. Nur 114 von 7.991 Nachnamen — 1,43 % — liegen im Band von 0,5 bis 0,7. Darunter 793 Nachnamen (9,9 %). Darüber 7.084 (88,6 %).

Dorthin gehört die Schwelle. 0,70, in den leeren Teil. Eine Schwelle in einer dichten Region ist eine Ermessensentscheidung, die Ihre Ergebnisse verschiebt, sobald man sie antippt; eine Schwelle in einem Tal verschiebt sie kaum. Unsere hätte 0,60 oder 0,75 sein können, und das Ergebnis hätte sich um eine Handvoll Namen geändert.

Was der Filter tatsächlich einfing

Bei der Arbeitsschwelle — Nachnamen mit c1 ≥ 500, die zur Akzentwiederherstellung vorgeschlagen wurden — verwarf der Verhältnistest 876 Kandidaten. Siebzig davon endeten auf -ON, -AN oder -IN, was bedeutet, dass die Akzentregel gleich bei ihnen ausgelöst hätte:

Rumänische, bangladeschische, arabische, chinesische und englische Nachnamen, alle legitim im spanischen Register, alle im Begriff, einen spanischen Akzent verpasst zu bekommen, den sie nie getragen haben. Keiner von ihnen erreicht 0,35.

Ein früherer Durchlauf bei einer niedrigeren Größenschwelle erzeugte denselben Fehler mit anderen Namen — 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). Jeder einzelne fällt unter die Schwelle.

Und die Größenschwelle anzuheben hätte uns nicht gerettet. MOLDOVAN mit 3.073 Trägern und CONSTANTIN mit 2.652 sitzen nahe der Spitze des Kandidatenpools, nicht im Schwanz. Die Tiefe war nicht das Problem. Das Problem war, dass „sieht im lateinischen Alphabet spanisch aus" keine Eigenschaft ist, die das Alphabet ausdrücken kann.

Was er zu Recht nicht einfing

Ein Filter, der alles fremd Aussehende verwirft, ist kein Filter, sondern ein Vorurteil. Dieser behält Namen, die falsch aussehen und richtig sind.

Huamán ist der entscheidende Fall. Er ist ursprünglich Quechua, er sieht nicht kastilisch aus, und eine Heuristik nach dem Muster „sieht das spanisch aus" hätte ihn hinausgeworfen. Er ist seit Jahrhunderten in Peru und in spanischsprachigen Familien, seine zweite Spalte ist voller als seine erste, und der Zähler behält ihn, ohne ein Wort Quechua zu kennen.

Die 300 Nachnamen, die die gesamte Pipeline überstanden, haben ein minimales Verhältnis von 0,728, einen Median von 0,980 und ein Maximum von 1,337. Nichts Grenzwertiges kam durch.

Und hier ist die Prüfung, die das Ganze zusammenhält. Erinnern Sie sich an die vier Nachnamen, die die Akzentregel am kuratierten Korpus brachen:

Alle vier weit unter der Schwelle. Die fünf Nachnamen im Korpus dagegen, die zur dokumentierten phonologischen Ausnahmeklasse der Regel gehören — Esteban, Juan, Sanjuán, Santisteban, Holguín —, liegen bei 0,979, 1,032, 0,977, 0,904 und 1,022.

Zwei völlig unabhängige Instrumente — eine phonologische Regel über die Betonung und eine Division zweier Spalten in einer Zensusdatei — teilen dieselben 140 Nachnamen auf dieselbe Weise auf. Entfernt man die vier, die der Verhältnistest verwirft, erreicht die Akzentregel 136 von 136. Keines der beiden Instrumente kann sehen, worauf das andere blickt. Diese Übereinstimmung ist der stärkste Beleg in diesem Artikel dafür, dass das Verhältnis etwas Reales misst.

Die Präzision hängt von der Größe ab, und das ist nicht optional

Hier ist der Teil, den eine Schwelle allein verbirgt. Das Verhältnis ist ein Quotient aus zwei Zählungen, und kleine Zählungen ergeben schlechte Quotienten. Über das gesamte Register nach Größenband gemessen:

Ab zehntausend Trägern reicht der p10–p90-Bereich von 0,962 bis 1,018 — eine Spanne von sechs Hundertsteln. Bei zwanzig bis neunundneunzig Trägern reicht er von 0,214 bis 1,200, eine Spanne von einer ganzen Einheit, und der Median ist auf 0,589 gefallen, unter die Schwelle.

Zwei Dinge geschehen gleichzeitig, und man darf sie nicht verwechseln. Ein Teil ist echte Zusammensetzung: Der Schwanz des spanischen Registers wird tatsächlich von kürzlich angekommenen Nachnamen dominiert, sodass ein niedriger Median dort unten eine Tatsache über Spanien ist, kein Rauschen. Aber die Streuung ist Rauschen, und sie weitet sich genau so, wie man es von kleinen Nennern erwarten würde. Wie auch immer die Mischung aussieht, die Folge ist dieselbe: Unterhalb von einigen hundert Trägern ist das Verhältnis eines einzelnen Nachnamens kein Beleg über diesen Nachnamen.

Deshalb sind die Größenuntergrenze und die Verhältnisschwelle eine Entscheidung, nicht zwei. c2/c1 < 0.70 auf einen Nachnamen mit 30 Trägern anzuwenden ist Rechnen, keine Messung.

Wo der Test blind ist

Vier Fehlermodi, alle an derselben Datei gemessen, keiner durch Verschieben der Schwelle behebbar.

1. Er ist blind gegenüber Ländern, die bereits zwei Nachnamen verwenden. Brasilien, Bolivien, Peru und der größte Teil des spanischsprachigen Amerikas geben ihren Bürgern bei der Geburt zwei Nachnamen. Ihre Einwohner kommen mit einem bereits angehängten zweiten Nachnamen in Spanien an, sodass der Mechanismus, der das Verhältnis aussagekräftig macht — dass ap2 nur durch eine Registrierung hier erworben werden kann —, auf sie überhaupt nicht zutrifft:

Für unseren Zweck ist das in Ordnung — diese Nachnamen sind im spanischsprachigen Namenssystem verwurzelt, was genau das ist, wonach wir gefiltert haben. Als Maß dafür, „wie lange dieser Nachname schon in Spanien ist", ist es für sie schlicht falsch, und keine Schwelle repariert das.

2. Er verwirft echte spanische Nachnamen, die zufällig klein sind. Drei Nachnamen im kuratierten Korpus fallen unter 0,70, obwohl sie eindeutig iberisch sind:

Alle drei haben ein kleines c1, genau das Regime, das der vorige Abschnitt als unzuverlässig bezeichnet. Die Aufgabe des Filters bestand hier darin, neue Nachnamen sicher zuzulassen, sodass diese Falschverwerfungen nichts kosteten — sie waren bereits im Korpus. Als Allzweck-Orakel für „ist dieser Nachname spanisch" verwendet, wären dieselben drei Fehler.

3. Er verwirft echte Nachnamen, die tatsächlich neu sind. KAUR liegt bei 11.587 / 7.608 = 0,657, unter der Schwelle, und es ist ein völlig echter Punjabi-Nachname, den Tausende spanische Einwohner tragen. Der Filter sagt nicht, dass Kaur unecht ist. Er sagt, dass die Schreibweise von Kaur nicht der kastilischen Phonologie unterliegt — was wahr ist und die einzige Frage, die dem Filter gestellt wurde. Lesen Sie die Ausgabe als die Frage, die Sie gestellt haben, nicht als ein Urteil über den Namen.

4. Er ist nicht übertragbar. Das funktioniert, weil Spanien zwei Spalten veröffentlicht, die andere Register nicht haben. Es lässt sich nicht per Analogie auf Frankreich, Deutschland oder die Vereinigten Staaten übertragen. Was übertragbar ist, ist die Form der Idee: Suchen Sie nach einer Spalte, deren Wert nur durch im System verbrachte Zeit erworben werden kann. In Spanien ist das der mütterliche Nachname. Brescias kommunales Register erfüllt dieselbe Aufgabe mit einem Staatsbürgerschafts-Kennzeichen — SINGH ist dort zu 75 % Nichtstaatsbürger, FERRARI zu 0 % —, was wir in Das Register, das es nicht gibt betrachten. Frankreichs INSEE-Datei tut das Umgekehrte, indem sie im Ausland geborene Menschen ausschließt, was dieselbe Schicht durch ihre Abwesenheit sichtbar macht.

Eine letzte Kuriosität, weil sie zeigt, wie weit „importiert" von „fremd" entfernt ist. Italienische Nachnamen im spanischen Register:

Zwei europäische Nachnamen aus einem benachbarten romanischsprachigen Land, im selben Alphabet geschrieben, ohne wiederherzustellende Akzente und ohne irgendetwas Exotisches — und nach diesem Maß sind sie ebenso kürzlich angekommen wie Traoré (5.212 / 916 = 0,176) es mit größerem Abstand ist. Die Spalte liest weder Sprache noch Region noch Plausibilität. Sie liest das Register, und nur das Register.

Die allgemeine Lehre

Unser Filter wurde ursprünglich aus zwei Dingen gebaut, die sich wie Wissen anfühlten: einer phonologischen Regel, die tatsächlich korrekt war, und einem handgeschriebenen Test dafür, ob ein Nachname „spanisch aussieht" — kein K, kein W, keine fremden Konsonantencluster. Die Regel überlebte. Der handgeschriebene Test war wertlos, und er war auf die denkbar gefährlichste Weise wertlos: Er erzeugte selbstbewusste, plausible, dauerhaft falsche Ausgaben, und nichts weiter unten in der Kette hätte Johnsón je als Fehler markiert.

Was ihn ersetzte, war eine Spalte, eine Division und eine in ein Tal gesetzte Schwelle. Sie weiß nichts über Spanisch, nichts über Rumänisch, nichts über Punjabi. Sie hat nie von Huamán gehört. Sie verwarf 876 Kandidaten und lag bei jedem der gut zwanzig, die wir von Hand prüften, richtig.

Wenn eine Ermessensentscheidung durch einen Zähler ersetzt werden kann, ersetzen Sie sie. Und wenn das Register Ihnen eine Spalte reicht, die niemand als Signal gemeint hat, prüfen Sie, was sie zählt, bevor Sie entscheiden, dass es Metadaten sind.

Daten mit Stand 2026-07-21

Jede Zahl oben wurde am 21. Juli 2026 direkt aus der INE-Datei und aus den Korpusdateien auf der Festplatte neu berechnet, nicht aus Arbeitsnotizen zitiert.

Quellen:

• Spanien — INE (Instituto Nacional de Estadística), Frecuencias de apellidos, Censo de población mit Stand 01.01.2025. Verwendete Spalten: Apellido 1º / Total (c1) und Apellido 2º / Total (c2). <ine.es/daco/daco42/nombyapel/…;
• Dateiumfang: 86.512 Nachnamen; Summe von c1 = 46.541.135; Summe von c2 = 43.595.570. Die veröffentlichte Bildunterschrift nennt einen Grenzwert von 100 beim ersten Nachnamen, aber die Datei läuft bis c1 = 20 hinunter. 7.757 Zeilen tragen .. in der Spalte c2 statt einer Zählung; diese Zeilen werden von jedem hier berechneten Verhältnis ausgeschlossen, statt als null behandelt zu werden.
• Akzente: Die INE-Datei speichert 1.832 Nachnamen mit Ñ und null mit einem Akut-Akzent oder Trema. Diese Asymmetrie ist der Grund, warum das Problem der Akzentwiederherstellung überhaupt existiert. Akzentuierte Formen in diesem Artikel sind die Korpus-Schreibweisen; GROSSBUCHSTABEN bezeichnen die eigene akzentlose Form des Registers.
• Kuratierter Referenzsatz: 2.222 handgeschriebene spanische Nachnamen, die vor dieser Arbeit auf der Festplatte lagen und von denen alle 2.222 mit dem Register übereinstimmten. Verwendet als zurückgehaltener Test sowohl für die Akzentregel als auch für die Schwelle. Die hier berichtete Regelprüfung (136 / 140) wurde für diesen Artikel unabhängig neu berechnet, statt aus dem Build-Log übernommen zu werden.
• Ergebnis des beschriebenen Durchlaufs: 300 Nachnamen hinzugefügt, Korpus 2.222 → 2.522, Gewichtssumme 34.026.331; insgesamt 5.490 Kandidaten verworfen, davon 876 durch den Verhältnistest.

Was das Verhältnis misst. Spanien erhebt von Gesetzes wegen keine Ethnizitätsdaten, und nichts in diesem Artikel ist aus einer solchen Quelle abgeleitet. Jede Zahl ist eine Zählung von Nachnamen-Positionen in einem Zivilregister. Das Verhältnis kann Ihnen nichts über eine einzelne Person sagen, es sollte nicht zu Aussagen über Gemeinschaften aggregiert werden, und mindestens vier verschiedene Situationen erzeugen einen niedrigen Wert, den es nicht unterscheiden kann. Es wird hier für einen engen Zweck verwendet: zu entscheiden, ob eine kastilische Schreibregel auf eine Zeichenkette angewandt werden darf.