Les généticiens ne sont pas en reste sur les études patronymiques. En effet, le nom de famille présente pour eux un analogue du gène, dans la mesure où le nom se transmet de génération en génération par le père, comme le ferait un gène du chromosome Y, avec l’intérêt supplémentaire de présenter un polymorphisme particulièrement élevé. Dès la fin du xix^e siècle, Georges Darwin (1875) et Francis Galton (Watson et Galton, 1874) se sont intéressés à l’information patronymique, le premier pour vérifier l’existence supposée d’un effet délétère de la consanguinité, le second pour simuler les conséquences de la baisse de la natalité dans la haute société victorienne, face à la hausse observée de cette natalité dans les couches laborieuses. Depuis, autour de James Crow (Crow et Mange, 1965 ; Crow, 1980, 1983), Lasker (Lasker, 1985), Luigi L. Cavalli-Sforza (Yasuda et al., 1974 ; Zei, 1981, 1993), Barraï (1987, 1989) [1], les études patronymiques ont connu un essor considérable dans le domaine de la génétique des populations, apportant des descriptions détaillées sur la consanguinité moyenne des populations, sur leur structuration et sur les flux migratoires qui les traversent, rejoignant ainsi des préoccupations voisines de celles des démographes.

Historiquement, les études démographiques sur les noms se sont d’abord centrées sur une question récurrente, celle de l’appauvrissement des noms de famille, question traitée au xix^e siècle par Galton et Watson (1874), puis par des démographes comme Lotka (1920, 1931) ou, plus récemment, Brouard (1989), Dupâquier (1992). Elles se sont ensuite focalisées sur la question des origines, avec les nombreuses études d’anthroponymie médiévale impulsées lors des Rencontres d’Azay-le-Ferron par Monique Bourin (1990-2002) et poursuivies depuis.

Sur un sujet aussi vaste que l’anthroponymie, il serait vain de prétendre à l’exhaustivité. Le présent article se bornera donc à proposer quelques réflexions et quelques exemples sur la question des sources et sur quelques points méthodologiques pouvant intéresser directement les démographes historiens.

Pour les périodes récentes, les corpus anthroponymiques sont issus de documents administratifs ou religieux, comme les registres de naissances, de baptêmes ou de mariages, les registres de décès, les listes fiscales, les actes notariés ou les notifications cadastrales. Pour les périodes plus anciennes, il faut rajouter polyptiques ou cartulaires.

Le premier problème que posent ces listes nominatives est celui de leur représentativité. En effet, ces listes ont été établies avec plus ou moins de conscience professionnelle (laxisme dans l’application des consignes administratives, respect approximatif de l’orthographe, certification douteuse de l’origine généalogique…) et avec une certaine finalité qui peut amener à un « filtrage » des noms. Par exemple la liste des personnes ayant payé l’impôt exclut les non-imposables, les registres de décès incluent tout à la fois les personnes originaires d’une localité et les immigrants venus y mourir. Le fichier de l’INSEE (1985) lui-même ne répertorie que les naissances de personnes encore vivantes en 1972. Se pose également le problème de la correspondance entre un nom, le nom « inscrit », et une personne unique. Dans bien des cas cette correspondance n’est pas établie, dans la mesure où c’est le nom du groupe familial ou celui de la maison qui est consigné tandis que le nombre de personnes relevant de ce groupe ou de cette maison reste inconnu ou imprécis. À l’inverse, plusieurs personnes peuvent partager le même nom, sans que l’on sache si elles sont apparentées ou non, si elles appartiennent à la même génération ou à deux générations différentes. Certains corpus associent au nom quelques informations sur l’origine géographique du porteur, mais il n’est pas toujours établi s’il s’agit de la localité de naissance ou de la énième résidence. Finalement, toute liste présente ses propres limitations. Il importe simplement de bien les circonscrire, avant de pouvoir répondre à la question statistique de leur représentativité en tant qu’échantillon non parfaitement « contrôlé ». Ce point est d’autant plus important que la diversité des noms, caractéristique fondamentale d’un point de vue démographique et historique, est fortement dépendante de la façon dont a été constitué l’échantillon.

Une deuxième question est celle de l’identification des noms et de leur délimitation lexicale. En effet, un nom peut connaître des variations orthographiques, des formes dérivées ou hypocoristiques importantes. Quel est leur degré de pertinence ? Doit-on toutes les prendre en considération, ou doit-on effectuer certaines corrections, nettoyages, lemmatisation et autres vérifications, et jusqu’à quel point ? Cette question de la définition et de l’identification des noms est essentielle car elle conditionne la qualité des inférences statistiques de nature démographique que l’on peut effectuer à partir d’eux. Pour prendre un exemple simple, doit-on considérer les noms « Cabal », « Cabail » et « Cabailh » comme un seul et même nom ? L’origine étymologique est probablement la même pour ces trois variantes (« puissant, riche » en occitan (Morlet, 1997), mais leur répartition géographique est nuancée, avec les Cabal en Aveyron, Tarn et Hérault, et les deux autres formes dans les Pyrénées de l’ouest et du centre. Réduire ces divers noms en un seul revient donc à perdre une information géographique locale appréciable. Comme on le voit, cette étape d’identification et validation des différentes formes d’un nom est cruciale. Si le nettoyage est poussé à son maximum, renvoyant toutes les variantes à la même étymologie par exemple, la diversité des noms va diminuer drastiquement. S’il est totalement négligé, cette diversité sera très élevée, mais incluant une grande quantité de noms uniquement représentés, ou hapax, à la pertinence médiocre et influant grandement sur toutes les statistiques fondées sur le nombre de noms. Cette opération de « lissage » des noms est à la fois délicate et incontournable, mais il faut s’assurer qu’elle ne conduise pas à masquer des informations fines. Le respect d’une même échelle d’analyse et l’application d’une stratégie comparative homogène sont les garde-fous qui s’imposent.

Une première approche statistique consiste simplement à ordonner les noms, des plus fréquents au plus rares. On apprend ainsi que les noms les plus fréquents au xii^e siècle, d’après le cartulaire de Lézat (Nigoul, 1990), sont Guillelmus, Amaldus, Vidal (ou Vitalis), Amelius (ou Emilius) etc.

Pour la France prise globalement, les noms les plus fréquents sont, en ordre décroissant, Martin, Bernard, Petit, Durand, Thomas, Richard, Moreau, etc. (fichier INSEE des naissances entre 1891 et 1915, Darlu et al., 1997). Cette liste peut évidemment être affinée par département. Ainsi, les patronymes les plus fréquents en Lozère sont : Martin (encore), Maurin, Roux, Durand, Brunel ; dans la Manche : Marie, Hamel, Hébert, Jeanne, Lefevre, Simon…

Ces palmarès ne proposent qu’une information relativement anecdotique du point de vue démographique. Elle s’avère cependant indispensable pour établir la probabilité d’origine d’un nom et faire quelques inférences sur l’origine des migrants, comme nous le verrons plus loin.

Il est donc nécessaire de faire une présentation différente de ces listes, en essayant de cerner de manière plus précise l’information qu’elles contiennent. La première façon est de s’intéresser à la richesse patronymique globale. En effet, le nombre S de noms répertoriés dans une liste a des chances d’être d’autant plus grand que le nombre de personnes N inscrites sur cette liste est élevé. C’est pourquoi il est logique de rapporter S à l’effectif N. Ce rapport S/N, exprimé en %, représente le potentiel patronymique (ou condensation), donc le nombre de noms différents pour 100 personnes. Souvent c’est le rapport inverse qui est exprimé : N/S, qui représente alors le nombre moyen de personnes portant un même patronyme.

D’autres façons existent pour exprimer la richesse patronymique. Elles font référence à des indices mis en œuvre pour décrire la richesse d’un texte littéraire, la richesse d’un écosystème en nombre d’espèces ou la diversité génétique dans une population. Parmi les indices les plus courants, notons l’indice d’homonymie qui exprime la probabilité que deux noms tirés au hasard dans une même liste soient identiques [2]. D’un point de vue démographique, ces indices peuvent constituer des indicateurs intéressants. Ainsi, une statistique sur un ensemble de 86 départements français montre une corrélation entre le potentiel patronymique et le nombre moyen d’enfants par famille, corrélation variant de -0,46 à -0,55 selon les périodes ou les tailles des communes considérées. De même, une corrélation interdépartementale (r =-0,55) existe entre potentiel patronymique et taux de consanguinité tel qu’il a été estimé à partir des dispenses de mariage (Sutter et Tabah, 1951), (Darlu et al., 1992, 1997). Autrement dit, les régions où la richesse patronymique est faible sont également les régions où le nombre d’enfants par famille est élevé et la consanguinité importante, le même nom étant naturellement partagé entre davantage de personne. À ce titre, la richesse patronymique constitue donc un premier indicateur démographique.

La deuxième façon est de décortiquer plus précisément la forme de la distribution des fréquences. En effet, il se peut que cette distribution montre beaucoup de noms ayant des fréquences peu différentes les unes des autres ou, au contraire, un nombre très réduit de noms fortement représentés en même temps qu’une grande quantité de noms très rares ou uniques, les « hapax » (figure 1). L’analyse de la distribution de ces fréquences permet de faire quelques inférences sur le taux d’immigrants dans une région. La méthode est fondée sur des modèles de génétique des populations qui expriment la distribution du nombre d’allèles en un locus en fonction du taux de mutation affectant ce locus (Karlin et Mc Gregor, 1967). La comparaison entre la distribution observée et la distribution attendue sous le modèle permet d’obtenir une estimation de ce taux de mutation, n. Cette méthode s’applique également aux patronymes. Dans ce cas, le taux de mutation est équivalent à un taux de nouveaux noms introduits dans la population, donc, dans une certaine limite, à un taux d’immigration n. Dans une version simplifiée du modèle (Yasuda et al., 1983), le rapport S/N s’exprime en fonction de n selon l’équation suivante :

Malgré les limites théoriques de cette approche, qui suppose que la population est en stabilité numérique, que le taux de reproduction est indépendant du patronyme et que la distribution du nombre d’enfants par famille suit une loi de Poisson de paramètre 2 [3], les résultats demeurent relativement satisfaisants. Plusieurs études ont montré que les corrélations entre les estimations démographiques classiques d’immigration et l’estimation obtenue par cette méthode des patronymes étaient relativement élevées : entre 0,70 et 0,92, selon les périodes et selon les tailles des populations pour la France ou l’Italie (Darlu et Ruffié, 1992 ; Piazza et al., 1987).

En fait, cette dernière méthode repose pour une bonne part sur le décompte des hapax (noms présents en un seul exemplaire). Dans la plupart des listes de noms, les hapax représentent près de 40 à 60 % des noms. Leur estimation est donc d’une grande importance, tout en étant largement dépendante de l’effectif de la population d’une part et du niveau de lissage des noms ou de lemmatisation d’autre part [4].

Une des limitations inhérente à cette méthode, fondée sur l’analyse de la distribution, est d’être « statique », en ce sens que, ne faisant pas appel à des observations successives dans le temps, l’intensité et la directionalité des flux migratoires des « noms » (à défaut de ceux des « personnes ») ne peuvent donc pas être précisées. La méthode ne donne que le nombre de noms immigrants dans une aire géographique donnée, quelles que soient leurs origines.

où f_ik et f_jk sont les fréquences du patronyme k dans les régions i et j respectivement. Le numérateur est dérivé du coefficient de parenté entre deux populations défini par Malécot (1966) et standardisé au dénominateur pour tenir compte de la diversité patronymique des deux régions i et j. Un tel indice possède la structure d’un coefficient de corrélation. C’est pourquoi il est souvent transformé en indice de distance de la façon suivante :

où a et b sont de possibles constantes de standardisation (Mourrieras et al., 1995). Cette distance est maximale, lorsque aucun patronyme de la région i ne se retrouve dans la région j. Elle est d’autant plus proche de 0 que la distribution des patronymes dans la région i est comparable à celle de la région j.

Un tel indice de distance patronymique permet d’effectuer des comparaisons entre le corpus patronymique d’une région et ceux de plusieurs autres régions, ou d’établir les inter-relations entre les corpus de plusieurs régions simultanément. Les méthodes utilisées alors relèvent des méthodes multivariées classiques et permettent de mettre en relation distances patronymiques et distances géographiques par exemple (figure 2) ou de rechercher les zones de faibles échanges entre régions (figures 3 et 4) (Bocquet-Appel, 1994, Degioanni et al., 2000, Manni et al., 2004).

Chacun de ces coefficients peut se décomposer en un terme représentant la probabilité de migrer de la région j à la région i et en un taux de reproduction dans la région i. À moins de disposer d’informations sur ce dernier terme, il n’est pas possible de distinguer ces deux composantes. Cette méthode a été appliquée aux données Sardes (Wijman et al., 1984), à des données pyrénéennes (Darlu et al., 1996) et, dans une variante de la méthode, pour estimer les flux migratoires des Italiens en France entre le xix^e et le xx^e siècle (figure 6) (Degioanni et Darlu, 1996).

Le propos de ce bref document est de souligner l’intérêt que présentent les corpus de noms de familles comme outil d’investigation, particulièrement en démographie historique. Il semble qu’à ce jour, cet outil soit encore peu utilisé, malgré certains efforts récents, en particulier par l’école de médiévistes. Pourtant, les données sur les noms permettent de donner une profondeur historique à la dynamique des populations. Elles fournissent un matériel alternatif exploitable dans une perspective démographique, particulièrement en l’absence d’enregistrements systématiques et contrôlés de populations. Pour le généticien des populations humaines, qui ne dispose que d’observations génétiques synchroniques, les listes de noms apportent également une dimension diachronique, sur plusieurs générations. Cela lui permet de tester différents scénarios d’évolution. Cependant, dans un tel contexte, l’expertise de l’historien reste l’élément essentiel, même si la statistique, les modèles de génétique ou les compétences en traitement des informations géographiques se révèlent indispensables. Il faut bien admettre que, aussi sophistiquées soient-elles, ces méthodes d’analyse ne valent que par la qualité des corpus et que par la pertinence des analyses critiques que l’on peut en faire dans un contexte historique et social dont seul l’historien a la maîtrise.