Spaniens Statistikamt entfernt Akzente aus Namen mit Absicht

Falls Sie sich je gefragt haben, warum so viele Datenbanken glauben, Spanier hießen Jose, Angel und Maria — der Beweis passt auf einen Bildschirm.

Wir haben die beiden Namensdateien heruntergeladen, die Spaniens Instituto Nacional de Estadística (INE) veröffentlicht — Nombres por fecha de nacimiento und Nombres más frecuentes — und darin rohe Bytefolgen gezählt:

Nicht ein einziger Akut, in keiner der beiden Dateien, auf irgendeinem Vornamen. María ist der häufigste weibliche Name Spaniens, und er kommt in Spaniens eigener amtlicher Namensstatistik kein einziges Mal in seiner korrekten Schreibweise vor.

Die naheliegende Erklärung lautet, dass irgendetwas in der Verarbeitungskette die hohen Bytes verloren hat — eine CP1252-Datei, die als ASCII gelesen wurde, ein Alt-Export, ein veraltetes Werkzeug. Diese Erklärung ist falsch, und dieselben beiden Dateien widerlegen sie.

Die Kontrolle, die eine Kodierungsursache ausschließt

Provinznamen stehen in genau diesen Dateien, im selben Bytestrom, geschrieben vom selben Export:

Die akutbetonten Bytes sind physisch in der Datei vorhanden. Í (0xCD), Á (0xC1), É (0xC9), Ó (0xD3) treten alle auf — nur eben nie in einem Namen.

Und es gibt eine zweite, schärfere Kontrolle, denn sie liegt im Namensfeld selbst:

Ñ (0xD1) überlebt in der Namensspalte. Der baskische Name Iñaki behält seine Tilde; ein hypothetisches INAKI existiert in keiner der beiden Dateien. Die Transformation lautet also nicht „entferne Nicht-ASCII aus Namen", und sie lautet auch nicht „entferne Nicht-ASCII aus der Datei". Sie lautet: entferne den Akut, im Namensfeld, und lasse alles andere unangetastet.

Das ist kein Fehler. Ein Fehler unterscheidet nicht Ñ von Í. Das ist eine Regel, die jemand aufgeschrieben hat.

Die methodische Dokumentation des INE zu diesen Produkten beschreibt einen Bereinigungs- und Standardisierungsschritt, der auf Namen angewandt wird, um sie über Quellen und Jahre hinweg vergleichbar zu machen — was ein völlig vernünftiges statistisches Ziel ist und was genau dies hervorbringt. Aus Sicht des INE sind MARIA und MARÍA zwei Schreibweisen eines Namens, und ihr Zusammenlegen verhindert, dass ein einzelner Name zweimal in einer Häufigkeitsrangliste erscheint. Aus Sicht aller, die die Datei herunterladen, kommt ein Drittel der spanischen Namen falsch geschrieben an.

Hinweis zu Quelle und Lizenz. Beide Dateien werden vom Instituto Nacional de Estadística unter ine.es veröffentlicht und hier gemäß den Bedingungen des INE weiterverwendet, die die Nennung der Quelle verlangen. Diese Seite nennt sie. Alle obigen Zählungen sind unsere eigenen Messungen an den heruntergeladenen Dateien, erhoben am 21. Juli 2026.

Wie viel von Spanien das betrifft

Es ist kein Schwanz-Problem. Gemessen an unserem eigenen spanischen Vornamen-Korpus, der auf den Häufigkeitsdaten des INE aufbaut und die Geburtenzählungen des Registers als Gewichte trägt:

Etwa jeder dritte Spanier hat einen Akut in seinem Vornamen. In den rohen INE-Dateien ist dieser Anteil null.

Die Nachnamen-Seite ist schlimmer, nicht besser: unser spanischer Nachnamen-Korpus trägt 2.522 Einträge und 34.026.331 registrierte Träger, von denen 716 Einträge — 43,4 % des Gewichts — einen Akut tragen. García, Pérez, Sánchez, Rodríguez, Fernández, González, Martínez, Gómez, Díaz, Álvarez. Auch in der INE-Nachnamendatei ist keiner von ihnen akzentuiert; wir haben GARCIA 537 / GARCÍA 0 und PEREZ 248 / PÉREZ 0 gemessen.

Wenn ein Datensatz also als „aufgebaut auf amtlicher spanischer Statistik" beschrieben wird, lautet die akkurate Lesart: der Kopf dieses Datensatzes ist falsch geschrieben, und die Falschschreibung ist geerbt, nicht eingeführt. Das ist der eigentliche Mechanismus hinter den weltweit Millionen von Datensätzen, in denen ein Spanier Jose heißt.

Die Akzente wiederherstellen — und was jede Methode tatsächlich erreicht

Wir mussten das für unseren eigenen Korpus lösen, also haben wir die Optionen gemessen, statt über sie zu streiten.

Der Testdatensatz. Vor dem INE-Neubau war unsere spanische Vornamensliste eine kleine handkuratierte Datei: 771 Namen (396 männlich, 378 weiblich), von denen 155 — 20,1 % — korrekt ein Diakritikum tragen. Diese Datei ist älter als der INE-Import und teilt keine Zeilen mit ihm, sie ist also ein echter zurückgehaltener Datensatz. Der Test: ihre Akzente entfernen, um die INE-Ausgabe zu simulieren, jede Methode bitten, sie wieder einzusetzen, und Zeichen für Zeichen mit dem Original vergleichen.

Alle fünf Zeilen wurden für diese Seite am 21. Juli 2026 von Grund auf gegen den heute ausgelieferten Korpus neu berechnet.

Warum die naheliegende Regel die schlechteste ist

Die spanischen Betonungsregeln lassen die Suffixregel unvermeidlich erscheinen. Ein Wort, das auf -n endet, wird nur dann auf der letzten Silbe betont, wenn es einen geschriebenen Akzent trägt, deshalb sind die Endungen -ón, -án, -ín extrem häufig: Ramón, Julián, Joaquín, Adrián, Sebastián, Antón.

Bei Nachnamen ist diese Regel nahezu perfekt. Bei Vornamen erreicht sie 57,41 % — auf mancher Lesart schlechter als ein Münzwurf — und hier ist der gesamte Grund:

Juan       Esteban       Joan       Ferran       Cristian       Jonathan       Kevin       Jon

Jeder von ihnen ist ein echter spanischer (oder katalanischer oder importierter) Vorname, der paroxyton ist — auf der vorletzten Silbe betont — und daher korrekt gänzlich ohne Akzent geschrieben wird. Die Regel macht daraus Juán, Estebán, Joán, Ferrán, Cristián, Jonathán, Kevín, Jón.

Von den 23 Namen, die die Regel in unserem Test falsch machte, gehörten 11 zur Juan-Familie: 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 ist einer der zehn häufigsten männlichen Namen Spaniens. Eine Regel, die zu 57 % genau ist, aber ihre Fehler auf den einzelnen häufigsten Namen konzentriert, den sie berührt, ist nicht zu 57 % nützlich — sie ist eine Regel, die sichtbar die Titelseite Ihrer Daten zerbricht.

Die -ción/-sión-Regel ist der umgekehrte Fall und wert, sie zu behalten: im Spanischen wird jedes Wort, das auf -ción oder -sión endet, auf der letzten Silbe betont, ausnahmslos, und die auf diesem Muster gebauten marianischen Andachtsnamen (Concepción, Encarnación, Asunción, Purificación, Ascensión, Consolación, Resurrección) sind in Spanien häufig genug, um ins Gewicht zu fallen. Sie feuerte im Testdatensatz auf 8 verschiedene Token und lag bei allen 8 richtig. Ihr Wert auf Namensebene liegt aus einem Messgrund unter 100 %, nicht wegen eines Regelversagens: bei Maria Concepcion erzeugte die Regel korrekt Concepción, konnte aber Maria nicht korrigieren, sodass die volle Zeichenkette dennoch nicht übereinstimmte.

Warum das Ausleihen bei Nachbarn funktioniert

Die Methode, die tatsächlich punktet, ist unspektakulär: nimm die akzentuierten Schreibweisen aus anderen spanischsprachigen Sprachregionen — Argentinien, Peru, Venezuela —, indiziere sie nach ihrer akzentfreien Kleinschreibform und verwende die schwerste Schreibweise als Antwort für das passende spanische Token.

Sie funktioniert, weil jene Register Akzente veröffentlichen. Die Namen sind dieselben Namen. José in Lima wird genauso geschrieben wie José in Sevilla, und niemand hat es auf dem Weg nach draußen entfernt.

Sie feuert bei 17,6 % des Testdatensatzes und liegt zu 99,26 % richtig. Ihr einziger Fehler ist lehrreich: Telesforo → Telésforo. Der venezolanische Korpus bevorzugt die Esdrújula-Schreibweise, Spanien nicht, und ein einzelnes Lexikon kann das nicht wissen. Ein Fehler auf 136 ist der Preis.

Portugiesisch hinzuzufügen sieht nach kostenloser Abdeckung aus, ist es aber nicht. Die Abdeckung steigt von 17,6 % auf 18,2 % und die Präzision fällt von 99,26 % auf 97,14 %, weil Portugiesisch und Spanisch genau bei den Namen auseinandergehen, die ansonsten identisch sind: António vs. Antonio, Olívia vs. Olivia, Aurélia vs. Aurelia, Custódia vs. Custodia. Eine Nachbarsprache ist nur dort eine gute Quelle, wo die beiden Orthographien übereinstimmen, und es gibt keinen billigen Weg zu wissen, wo das der Fall ist.

Online zu gehen rettet Sie nicht: Wikidata hat denselben Defekt

Der naheliegende nächste Schritt ist „einfach den Namen nachschlagen". Wir haben das gegen Wikidata getestet, den größten offen abfragbaren Speicher von Namenseinträgen, indem wir die spanischsprachigen Labels von Einträgen abriefen, die als Nachnamen typisiert sind.

Fast zwei von fünf akzentuierten spanischen Nachnamen, die Wikidata kennt, sind dort nur in der falschen Schreibweise vorhanden:

Und das ist der Teil, der es als Korrektor unbrauchbar macht statt bloß unvollständig: García, Pérez, Rodríguez, González, Sánchez, Gómez, Muñoz, Álvarez und Velázquez sind im selben Label-Satz allesamt korrekt akzentuiert. Wikidata ist nicht einheitlich entfernt — es ist inkonsistent, Eintrag für Eintrag, weil jeder Eintrag von einem anderen Beitragenden erstellt wurde, der aus einer anderen Quelle importierte. Martin und Martín existieren beide als getrennte Labels; ebenso Diaz und Díaz.

Eine einheitlich beschädigte Quelle lässt sich mit einer einzigen Transformation reparieren. Eine uneinheitlich beschädigte Quelle lässt sich ohne eine zweite Quelle zum Schlichten überhaupt nicht reparieren, und hätten Sie diese zweite Quelle, bräuchten Sie die erste nicht. „Prüf es gegen das Internet" ist kein Plan; es ist eine Art, sich die unmarkierte Fehlerquote eines anderen ins Haus zu holen.

Was wir geändert haben und was wir bewusst nicht änderten

Wir haben die Akzente im spanischen Vornamen-Korpus mithilfe des Lexikons plus der -ción-Regel plus einer kleinen Zahl manuell begründeter Kopf-Korrekturen wiederhergestellt und dieselbe Änderung auf die dekadenweisen Kohortendateien angewandt, weil der Generator die Kohortendatei zuerst liest und es schlimmer gewesen wäre, die beiden inkonsistent zu lassen, als nichts zu tun.

Die Invarianten hielten: Eintragszahl unverändert (10.961 männlich, 12.516 weiblich), Gesamtgewicht bis auf die Einheit unverändert (17.832.848 und 17.980.967), null Zusammenlegungen, null Zeilen hinzugefügt oder verloren. Nur die Schreibweise von Spalte 0 hat sich bewegt.

Der Kopf des Korpus liest sich nun so, wie Spanien es schreibt:

Was wir unangetastet ließen, ist die interessantere Hälfte.

Alex — 30.577 Gewicht — bleibt unberührt, denn Kastilisch schreibt Álex und Katalanisch schreibt Àlex, zwei verschiedene Akzente auf derselben Zeichenkette, und das Register trägt keinen Sprachmarker, um zwischen ihnen zu wählen. Nuria (118.896) bleibt aus demselben Grund unberührt: katalanisch Núria, kastilisch Nuria. Desiree (11.370) hat drei plausible Schreibweisen und keinen Beleg.

Der größte einzelne unauflösbare Fall ist Maria selbst. Katalanisch schreibt es ohne Akzent; Kastilisch schreibt es María. Das INE hat sie längst vor unserem Blick auf die Datei zu einer Zeile zusammengelegt. Wir haben die kastilische Lesart gewählt, weil sie zahlenmäßig dominiert, was bedeutet, dass ein Anteil der katalanischen und balearischen Träger eine Schreibweise erhält, die für sie falsch ist. Wir können das nicht beheben, und wir werden nicht so tun, als sei die Zahl kleiner, als sie ist.

Wir haben die Methode außerdem daran gehindert, innerhalb fremd anmutender Zusammensetzungen zu feuern. So belassen, wie das INE sie veröffentlicht hat: Gheorghe Adrian, Ionut Valentin, Vasile Adrian, Fatima Zahra, Martin John, Simon Peter. Ein rumänischer Adrian ist kein spanischer Adrián, und Spaniens Register enthält sehr viele rumänische, marokkanische und lateinamerikanische Namen. Das verbleibende Jose-Gewicht, das noch unakzentuiert in unserer Datei sitzt — 1.115 —, gehört fast vollständig in diese Kategorie, und wir halten das für korrekt.

Eine automatische Version dieser Absicherung scheiterte, und das Scheitern ist festhaltenswert: „blockiere, wenn das Token in einem nicht-spanischen Korpus vorkommt und nicht in einem spanischen" erzeugte 817 Streichungen, darunter fälschlich Aránzazu, África, Mercè und Eloísa — weil unsere englischen und französischen Korpora selbst voller spanischer Namen sind, da sie aus Zensen von Ländern mit großer hispanischer Bevölkerung gebaut wurden. Es gab keine automatische Trennung, also ist die Absicherung eine handgeschriebene Liste fremder Marker, und wir sagen das, statt es zu beschönigen.

Was Sie damit anfangen sollten

Behandeln Sie ein nationales Statistikamt niemals als Orthographie-Quelle. Es ist eine Autorität für Zählungen. Sein Namensfeld hat einen Bereinigungsschritt durchlaufen, der dafür ausgelegt ist, Zählungen vergleichbar zu machen, und orthographische Treue gehört nicht zu den Zielen dieses Schritts. Das ist nicht spezifisch für Spanien — das ist es, wofür ein Normalisierungsschritt da ist.

Testen Sie die Kodierungs-Hypothese, bevor Sie sie akzeptieren. Zwei Greps klären sie. Enthält die Datei irgendwo akzentuierte Bytes? Bewahrt das Namensfeld überhaupt irgendein Nicht-ASCII-Zeichen? Wenn die Antwort auf beides ja lautet, sehen Sie auf eine redaktionelle Regel, nicht auf Mojibake, und kein noch so großes iconv wird helfen.

Stellen Sie Akzente nicht mit einer Betonungsregel wieder her. Spanische Betonungsregeln beschreiben, wie man ein Wort schreibt, das man bereits kennt; sie sagen Ihnen nicht, welches Wort Sie vor sich haben. Juan und Julián unterscheiden sich in nichts, was ein regulärer Ausdruck sehen kann.

Verwenden Sie ein anderes Register derselben Sprache, und messen Sie es. Jede Methode auf dieser Seite ließ sich in unter einer Stunde gegen einen zurückgehaltenen Datensatz auswerten, und die Rangfolge war nicht die, die wir vor dem Messen erwartet hatten. Der Abstand zwischen 57 % und 99 % ist keine Geschmacksfrage.

Speichern Sie die Sprache ebenso wie den Namen. Maria und María sind beide korrekt; welche für eine bestimmte Person korrekt ist, hängt von einer Tatsache ab, die die Namenszeichenkette nicht trägt. Wenn Ihr Datenmodell keinen Platz für diese Tatsache hat, werden Sie sie für immer neu ableiten, und zwar schlecht.

Sagen Sie, welche Schreibweise Sie ausgeliefert haben. Unser Korpus weicht nun in 5.569 Einträgen von der veröffentlichten Form des INE ab. Jeder, der unsere Datei mit der Quelle abgleicht, wird den Unterschied sehen, und er sollte nachschlagen können, warum, statt Korruption anzunehmen.

Bekannte Einschränkungen

• Die Wiederherstellung erreicht 18 % Abdeckung, nicht 100 %. Die Methode schweigt bewusst zu etwa 9.500 Token, die sie nicht erkennt — Mohamed, Youssef, Mihaela, Aitor, Mikel, Josep, Jordi. Die meisten davon sind korrekt unakzentuiert; einige nicht. Schweigen dort, wo es keinen Beleg gibt, ist das Design, kein Versehen.
• Maria im Katalanischen ist in unserer Datei falsch, aus Wahl. Ebenso Alex, Nuria und Eulalia für eine Minderheit von Trägern, weil wir uns weigern zu wählen.
• Wir haben Wikidata einmal gemessen, aus einer Abfrage. Wikidata ändert sich täglich, und unsere Zahl ist eine Momentaufnahme, keine stehende Aussage über das Projekt.
• Unser Gewichtsanteil akzenttragender Einträge (34,79 %) zählt Einträge mit einem Akut oder Gravis, nicht Einträge, die wir geändert haben. Manche dieser Schreibweisen waren immer schon da — Iñaki, Begoña, Llorenç — und wurden ausdrücklich vor dem Korrektor geschützt.
• Wir haben die erklärte Absicht des INE nicht verifiziert, nur seine Ausgabe. Die Bytezählungen beweisen, dass die Transformation feldbezogen und absichtlich ist. Sie beweisen nicht, warum.

Daten mit Stand 2026-07-21

INE-Dateien heruntergeladen und byteweise gezählt am 21. Juli 2026. Korpuszahlen am selben Tag aus den ausgelieferten Gewichtsdateien neu berechnet: es_ES Vornamen 10.961 ♂ / 12.516 ♀ mit 17.832.848 / 17.980.967 registrierten Geburten; Nachnamen 2.522 Einträge mit 34.026.331 Trägern. Elaboración propia con datos extraídos del sitio web del INE: www.ine.es.

Quellen

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