语言代码是谁替这门语言申请的？616份申请书里过半出自同一个组织

摘要：把ISO语言代码申请库里616份主申请表逐份抠开，看署名的是谁。结果是56.8%出自同一个组织，其中一个域名单独占了281份。第一次提交申请的人通过率只有27.4%，提交过十份以上的人是73.0%，差2.7倍。三条预期全错：拉人联署的通过率反而更低，申请书写得越长通过率越低，列不列参考文献跟结果没有关系。被申请最多的国家是中国，135份，占全库22.4%，而这135份里来自中国境内邮箱的是0份。

上一篇文章里有一句话，写完之后保哥自己一直觉得不踏实。

那句话是：提交申请不需要什么资质，填一份表就行，申请人可以是语言学家、可以是当地的语言委员会，也可以是一个热心的使用者。这话没错，它是照着官方的流程说明写的。

但流程说明写的是谁有资格来，不是谁真的来了。这两件事在任何一个开放机构里都有落差，问题只是落差有多大。

所以这一篇去数了一遍：那份决定全世界七千多门语言各自叫什么、编号是几的清单，实际上是谁在往里填。

先把结论摆出来，省得读者带着悬念看数字：这条通道确实对所有人开放，但走过去的人非常少，而且第一次走的人多半会被拦下来。开放和可用之间隔着一段距离，这一篇量的就是这段距离有多长。

这份全球语言清单，到底是谁在往里填？

为什么这个问题值得一个下午

你在页面上写的那串语言代码，来自一份在册表。那份表里的每一行，最初都是有人填了一份表格提交上去的。

这句话听着像废话，但它的推论不是废话：如果填表的人集中在很小的一群人里，那么这份清单反映的就不是世界上有多少门语言，而是这一小群人走到过哪里。

做小语种市场的人天天在用这份清单的下游产物——语言选择器里的列表、关键词工具的语言维度、翻译供应商的报价单，源头都是它。清单的偏差会一路传下来，而下游没有任何一个环节有能力发现它。

举个能立刻对上号的：你在语言切换器里看到的那份列表，它有多长、每一门叫什么名字，最上游就是这份在册表。本站量过三家系统的界面语言清单差3.4倍，那是下游的差异；而上游那份表本身是怎么长出来的，一直没人问过。

上一篇量的是这个库怎么判（语言代码申请被驳回，187份裁决书里提到政治的只有1份），这一篇量的是谁在提。判据和提案人是两件事，合起来才是这个库的全貌。

数据从哪来：明细页上没有的那一栏

这个库的申请明细页上，能看到变更类型、状态、生效日期、改的是哪个属性。唯独看不到申请人。

申请人写在附件里。每一份创建新语言代码的申请，都要附一份单独的表格，文件名是申请编号加上那门语言的代码。这份表格的第一栏就是主申请人的姓名和邮箱。

保哥把这批附件全抓了下来，一共616份，覆盖346个申请编号，时间从2006年这套体系上线那年一直到2022年。通过的378份，被驳回的238份。

抓下来之后转成文本逐份抠字段。这份表格的格式在十七年里几乎没变过，字段标记稳定得让人意外，所以一套正则跑到底，616份全部解析成功。

顺带说一句，这批附件的下载不能靠猜文件名。同一批申请里，附件的命名规则前后换过，猜URL会漏掉一部分，而漏掉的表现是拿到一个假文件而不是报错。正确的做法是从申请明细页里把附件的真实文件名读出来再下载。

这条听起来琐碎，但它决定了这一篇的数据完不完整。官方那几份码表是结构化的，直接下载就能用；而申请附件这一层是散落的文件，得一个个对。一手数据的成本，通常不在分析那一步，在把它凑齐那一步。

这份表格要求申请人交代些什么

表格一共五节。第一节是名称：这门语言首选叫什么、自称是什么、还有哪些别名、为什么选这个名字、使用者大概多少人。

第二节是时空：它是活语言、濒危、刚灭绝、历史语言还是人造语言，用在哪几个国家、哪几个地区。第三节是谱系：口语还是手语，属于哪个语系，最近的亲属语言是哪门。

第四节是这门语言的处境：有没有书面文献、有没有广播电视、政府承不承认、进不进学校。第五节最有意思，标题叫信息来源，要求申请人交代三件事——你有没有第一手知识、有没有通过私下沟通得到的信息、有没有已出版的文献可以列。

这不像一张工单，像一份论文的方法论章节。这个观察后面会变成一条硬结论：一份看起来对所有人开放的流程，可以通过表格的形状本身完成筛选。

本文量什么、不量什么

量三样：主申请人的身份、这个人一共提过几份、他提的那些申请后来通过没通过。

不量申请内容的对错。一份申请该不该通过是语言学问题，保哥没有这个能力判断，也不打算判断。这一篇只回答谁在提这个问题。

也不量这些语言今天的市场价值。标准里的地位和市场规模在这个库里几乎正交，这一条上一篇已经用裁决书的词频证明过了，这一篇不重复。

也不量2022年之后的部分。那之后的附件在库里还没有铺全，样本不完整的年份宁可不要，免得算出一个假趋势。

还有一件事要提前说清楚：这一篇会大量出现同一个组织的名字，但这不是一篇批评谁的文章。数完之后你会发现，真正值得担心的不是有人做得太多，是没有别人在做。

一半以上的申请书，为什么署着同一个组织的名字？

按邮箱域名分类的结果

把616份表格里主申请人的邮箱按域名归类，结果是这样的：一家长期做少数语言田野调查的机构及其分支机构合计350份，占56.8%。

剩下的部分：免费邮箱110份占17.9%，一个语言学网络社区38份占6.2%，各类大学邮箱28份占4.5%，其它非营利组织21份占3.4%，其它域名58份占9.4%。

光是一个主域名就出现了281份。也就是说这份全球语言清单里，每五份新增语言的申请书就有两份多是从同一个邮箱后缀发出来的。

这个组织正是这套编号的注册机构本身。上一篇写过它的角色：受理申请、组织评议、写裁决、每年发布更新后的码表。现在多了一条——它同时也是最大的申请人。

这个组织到底在做什么

它的主业是语言调查和识字教育，在全球几十个国家有常驻项目，很多项目一做就是几十年。它自己对语言调查这项工作的描述里写得很清楚：先弄清一个地区实际在说哪些话、彼此通不通，才谈得上后面的事。

这项工作跟语言代码申请天然是一条线。你要判断两个村子说的话是不是同一门语言，做的事跟申请表要求证明的东西完全重合。调查做完，申请表已经填好了一大半。

所以这个占比不是谁挤走了谁，是这件事本来就只有一类人在日常工作中顺手能做。它反映的不是垄断，是空缺。

受理方和申请方是同一批人，这意味着什么

先说清楚这不构成程序问题。这个机构做的是语言田野调查，它的人常年在偏远地区做语言普查，遇到一门没有代码的语言，顺手提一份申请是最自然的事。

换个角度想，如果不是他们提，多数情况下没有别人会提。世界上愿意为某个只有几千人使用的语言填一份英文表格、附上参考文献、等一年结果的人，本来就不多。

但它确实有一个后果，而且这个后果对用数据的人是实打实的。上一篇提过：这个机构自己也出版一份全球语言数据库，两套东西的语言划分高度一致，所以你没法用那份数据库去交叉验证这份码表。

现在这条要再往前推一层。不只是发布方同源，连申请书都是同一批人写的。这不是两家对不上的问题，是整条链上从头到尾只有一家。你手上任何一份关于世界语言数量的数据，追到底大概率都会追到这里。

剩下那一半是谁

免费邮箱那110份最值得看。用gmail提交申请的人里，有一位在2019年一个人提了31份，而那一年全库总共只有45份。

这类申请人通常是独立研究者：有的是退休的语言学教授，有的是常年整理某个语系资料的爱好者，有的是某门语言的母语者自己。他们不挂机构，用的是私人邮箱。

这一档的存在本身是好消息：它说明这条通道确实对个人开放，不是只有机构才进得来。坏消息在后面那个通过率上。

大学邮箱那28份高度集中，其中17份来自澳大利亚一所研究原住民语言的大学，同一位教授在2013年一口气提了15份。

那个语言学网络社区的38份也是集中提交，主要处理古代语言、已灭绝语言和人造语言这三类。这类语言不属于任何一个田野调查项目的范围，所以由它来批量补齐。

这个社区是语言学界一个运作了三十多年的公共平台，本身不是研究机构。它在这个库里承担的角色很特别：没有人会去田野调查一门古代语言，所以那批代码只能由这类平台整理现有文献之后统一提交。

它的通过率是全库最高的97.4%。原因也在这里——古代语言的边界早就在学界定好了，不存在争议，提交动作本身是行政性的。

这批数据第一次算出来的结果，为什么是错的？

一条太漂亮的趋势线

第一次跑完统计，保哥看到一条很漂亮的趋势：这家机构在申请里的占比，2006到2008年是七成到九成，2009年之后突然归零，之后再也没回来过。

这个形状太干净了，干净到可以直接写成一节：这家机构在2009年前后退出了申请，把位置让给了独立研究者。故事很完整，还带一个时间拐点。

幸好这个结论太漂亮了，漂亮到不太可信。一个组织的行为很少会在某一年整齐地切断，通常是逐年衰减。

于是回去看原始文本。看第一份就明白了。

邮箱被做了防爬处理，而且是从某一年开始的

2009年之后的表格里，邮箱不再写成正常形式，写的是把at换成单词、把点也换成单词的那种形式，中间用空格隔开。这是网页时代很常见的防爬虫写法。

616份里有353份是这种形态，占了一多半。而保哥的正则只认at符号，所以这353份全部被判成没有邮箱，归进了无法分类那一档。

2009年恰好是这个改动开始的年份。于是一次格式变更，被读成了一次真实的组织行为变化。

这是本工程第十二次撞上尺子失效，形态是新的：数据源在时间序列中间改了字段格式，而改动的时点看起来像一个事件的拐点。补上还原规则之后重跑，这家机构的占比从2006到2022年一直在三成到九成之间波动，从来没有归零过。

这条坑值得单独记一笔

判据可以固化成一句话：任何时间序列在某一年整齐断裂，先问那一年数据的记录方式是不是变了，再问事实是不是变了。

这条在别处也成立。之前量一门语言的地区数据自有率时，也是先看到一个总格数暴涨的曲线，后来发现涨的是继承标记不是真数据，那一次的记录方式变更发生在某个版本号上（区域数据里到底有多少是这门语言自己的）。

做站的人遇到这条的概率不低。分析工具改过一次统计口径、爬虫改过一次归类规则、某个字段从某天起开始有默认值——这些都会在报表上画出一个漂亮的拐点，而拐点下面什么都没发生。

本站踩过同族的坑不止一次。有一次从规格书里抠文本，屏幕上显示的是好端端的泰语，程序复制走的却是另一串字符，因为那份文件的文本层跟显示层压根不是一回事（那页规格书机器读到的是另一串字符）。

共同点是：出问题的从来不是数据缺失，是数据存在但含义跟你以为的不一样。缺失会报错，含义错不会。

保哥的做法是给每条时间序列都配一句话：这条线是用什么方法量出来的，这个方法从哪天到哪天没变过。写不出这句话的曲线，不拿去做决策。

同样一套只看证据的判据，为什么通过率差2.7倍？

按申请人身份分开算的通过率

把616份按主申请人的邮箱类型分组，各自算通过率，结果差得很开。

那个语言学网络社区提交的38份，通过37份，97.4%。田野调查机构那350份，通过260份，74.3%。其它非营利组织47.6%。

另一头：免费邮箱110份只通过39份，35.5%。大学邮箱28份只通过9份，32.1%。

最高和最低差2.7倍，而这套体系的判据只有一条——这两个变体是不是互不相通。

那个97.4%是怎么来的

先把最高的那一档解释掉，否则会误导。97.4%不是因为这个社区特别会写申请，是因为它提的那38份几乎全是没有争议的登记动作。

古代语言、已灭绝语言、人造语言，这三类的共同点是：没有活着的使用者社群会对划分提出异议。没有异议，就没有可驳回的理由。

剔掉这一档之后，真正可比的是田野调查机构的74.3%和独立申请人的35.5%。这两档面对的是同一类语言、同一套判据，差的是提交人。

顺带说，这种把最高分那一档单独拎出来解释掉的动作，做数据的时候值得养成习惯。一张排行榜上最扎眼的那个值，十次里有八次是口径问题或者样本性质不同，不是真的强。量小语种引用密度那一次也是这样：荷兰语的空栏率0.0%看着最好，实际是因为分母只有1条。

大学邮箱通过率垫底，这条最难解释

开工前保哥的预期是大学那一档会排在前面。学者提的申请应该最规范、最有文献支撑、最经得起评议。

实测是倒数第一。翻了几份被驳回的大学申请之后，原因大致清楚了：学者提的申请常常是为了给一个学术上有争议的划分背书，而学术上有争议恰恰是这套体系最不愿意碰的地方。

田野调查机构提的则多数是另一类：某个村子里的人说的话跟邻村不通，需要一个新代码来登记。这类申请没有争议，只有事实。

换句话说，通过率高低不完全是申请质量的差别，是申请动机的差别。要登记一门没人管过的语言容易，要重划一条已经有人在争的边界难。这跟上一篇按地区算出来的驳回率是同一件事的两个切面。

判据没有偏心，格式有

还有一层更实际的解释。这份表格要求填的东西——语系归属、最近亲属语言、可懂度证据、参考文献清单——是一套专门的知识。

常年做这件事的人知道每一栏该写什么、写到什么程度算够。第一次填的人不知道，他会把自己认为重要的东西写进去，而那些东西未必是评议人要看的。

所以判据本身确实是中立的，上一篇的数据已经说明了这一点：187份裁决书里提到政治的只有1份，绝大多数只谈证据。但能不能把证据组织成这套体系认得出的形状，跟你在哪个组织里、有没有人教过你，关系很大。

这个结构在别的地方也常见。一份对所有人开放的申报流程，只要表格足够专业，就会自动完成筛选，而且筛的不是诚意，是熟练度。

做跨境的人对这个结构应该不陌生。平台的申诉通道、品类的资质备案、某些市场的合规申报，都是同一套逻辑：门开着，但门里的语言你得先学会说。

第一次提交申请的人，通过率为什么只有27.4%？

熟手和生手的四档

换个分法：不看申请人属于哪个机构，只看这个人在整个库里一共提过几份。

只提过一份的人有84位，合计84份申请，通过23份，通过率27.4%。提过两到三份的155份，通过率61.3%。提过四到九份的118份，60.2%。提过十份以上的259份，通过率73.0%。

第一次来的人和常客之间差2.7倍，而且这个差距的绝大部分发生在第一份和第二份之间。从27.4%到61.3%，只隔着一次经验。

这条比按机构分组的那条更硬。机构可能自带资源，但提交次数这个变量里没有资源，只有熟练度。

要提醒一句这条数据的局限：提交次数多的人本来就更可能属于那家机构，两个变量不是完全独立的。但即使把那家机构的申请整个剔掉，只看独立申请人内部，提过多次的人通过率仍然明显高于只提过一次的人。熟练度这个因素单独成立，不是机构身份的影子。

84个人只来过一次

整个库里出现过187个不同的申请人名字，其中84位只提过一份，占45%。

另一头，提交量最大的20个人合计提了307份，占全库的49.8%；前50人合计425份，占69.0%。一个人最多提了39份。

把这两个数放在一起看：近一半的人只来过一次，而一半的申请由20个人完成。这是一条典型的长尾，但尾巴那一端的通过率只有头部的三分之一多一点。

那84个人里，被驳回的61位中有多少会再来一次？数据里看得到答案：全库被反复申请且始终没通过的只有两组。绝大多数人被驳回一次之后就再也没有出现过。

被驳回之后再来一次的人有多少

上一篇统计过反复申请的情况：反复提交的组合三分之二最终会成功，但成功的那一次主张往往变了。

那一篇看的是同一门语言被反复申请，这一篇看的是同一个人。两个角度的答案一致：反复这件事本身很罕见。

把这两条合起来，这个库的真实图景是：一小群熟练的人在持续供货，一大群人来过一次就走了，而走掉的那批人带走的是他们那门语言的登记机会。

这不是谁的错。填一份英文表格、附上可核查的语言学证据、然后等一年——对一个只是想让自己母语被登记的人来说，这个成本已经足够劝退。

这套流程的学习成本落在哪

翻被驳回的第一次申请，最常见的问题不是证据不足，是不知道该提哪一类变更。

有人想把一个变体独立出来，填的是创建新语言；实际上他要的是拆分，而拆分要求对原代码的整个范围负责。有人想改一个名字，填的却是创建。类型填错，后面写得再好也过不去。

官方那份提交变更申请的说明页其实把类型分得很清楚，但它是一份规则文档，不是一份指南。规则文档能告诉你有哪几种类型，不能告诉你你的情况属于哪一种。

这跟做SEO的人遇到的很多事同构：平台的政策文档写得很全，但你要判断自己这个具体情况适用哪一条，还是得先撞一次墙。

顺带一提，这批被驳回的第一次申请里，有相当一部分申请人是那门语言的母语者本人。他知道自己说的话跟隔壁不一样，但他不知道要怎么把这件事写成这套体系认的证据。这个落差跟内容行业里那个熟悉的落差是一回事：懂业务的人不懂怎么把业务写成机器认的格式。

这条对做内容的人意味着什么

如果你所在的市场涉及一门登记信息有问题的语言——名字不对、范围不对、该拆没拆——理论上你可以提一份申请。实际上你第一次提的成功率是27.4%。

更现实的做法是找已经在做这件事的人。这个库的每一份申请都公开署名，你能看到最近几年谁在处理你关心的那个语系。

这一步的成本很低。翻两页索引，把最近五年提交过相关语系申请的人名记下来，发一封说明情况的邮件，比自己从头研究表格快得多。

不过说句实话，绝大多数做电商的人不需要走到这一步。这条数据真正的用处是反过来的：它告诉你这份清单的空白处不是没人需要，是没人有精力去填。

这份表格里，哪一栏人人都填，哪一栏一多半空着？

十一个栏位的填充率

把616份表格的每个栏位数一遍有没有填，得到一张填充率表。这张表比任何一份流程说明都更能说明这套体系实际在乎什么。

填写日期、主申请人姓名两栏，616份全填。邮箱99.5%。这门语言用在哪几个国家99.4%。使用人数91.6%。

往下开始掉：有没有书面文献82.5%，政府承不承认、进不进学校81.7%，其他支持者的署名60.2%。

最后是信息来源那三栏。第一手知识616份全部填了，100%。已出版文献66.2%。而通过私下沟通得到的信息，只有34.6%填了。

第一手知识那一栏，616份全填了

一个栏位的填充率达到100%，通常有两种可能：要么它是必填项，要么它是这件事的门槛本身。

这一栏不是必填项——同一节里另外两栏都能空着交上去，说明系统没有强制。它填满的原因只能是第二种。

翻开这一栏的实际内容就明白了。典型的写法是：某某教授在这门语言上做了十五年的研究项目并发表过相关论著；或者更朴素的，申请人自己在那个地区住了多少年、走访了多少个村子。

换句话说，这一栏回答的是同一个问题：你凭什么替这门语言说话。而这个问题在这套体系里没有替代答案。你可以不列文献，可以没有联署人，但你不能说不出自己跟这门语言的关系。

私下沟通那一栏，只有三分之一的人填

这一栏问的是：你有没有通过跟别人交流得到的信息，请描述。填的人只有34.6%。

这个低填充率有点意思。按理说做语言调查的人一定会跟当地人交流，怎么会有三分之二的人不写。

看内容能猜到原因：填了的那些人，写的多半是我跟当地某个语言组织长期合作、或者我跟研究这门语言的另一位学者核对过。没填的人不是没交流，是把这些内容合并写进了第一手知识那一栏。

这条对填任何表格的人都成立：栏位的填充率不只反映事实，也反映填表人怎么理解栏位之间的边界。两个栏位语义接近的时候，靠前那个会把靠后那个吃掉。

使用人数那一栏填了九成，可它不影响结果

使用人数的填充率是91.6%，属于填得很满的一档。但上一篇已经量过：187份裁决书里提到使用人口这个词的只有7份，而且都不是主要依据。

一个栏位填得很满、却几乎不参与判定，这种组合在表格设计里很常见。它的作用通常是给后续的数据库用，不是给评议用。

这一栏填的东西后来去了哪里？去了那份全球语言数据库的使用人数字段。你在任何地方看到的某门语言有多少人说，源头可能就是十几年前某个申请人在这一栏里填的一个约数。

这条对做语种排期的人是硬伤。你拿两门语言的人口数做对比，前提是这两个数用同一把尺子量的；而这批数字来自不同年份、不同调查者、不同估算方法，彼此之间根本不可比。本站在非洲市场选语种那一篇里给过替代方案：别看人口，看有没有人拿这门语言写价格和退货政策。

这条值得做市场的人记一下。给语种排优先级的时候，那一列人口数不是普查数据，是一批研究者在不同年份、用不同方法估出来的值，彼此之间不可比。这跟本站量过的另一件事同构：一个看起来很硬的数字，追到源头往往是某个人在某一年填的一格。

三栏合起来，是这套体系的成本结构

把这三栏放在一起看：人人都填的是你的亲身经历，一多半人填的是文献，三分之一人填的是交流记录。

这个顺序说明这套体系收的是什么：它要的不是资料，是有人真的去过。资料可以在图书馆里找，去过没有替代品。

这也解释了为什么田野调查机构的通过率能到74.3%。他们的人本来就在那儿，第一栏对他们来说是现成的。而一个坐在书房里、靠文献研究某门语言的学者，恰恰在这一栏上最弱。

做内容的人可以从这里借一条判据：当一个体系反复要求你证明亲身经历，它筛掉的不是能力差的人，是没到过现场的人。这条判据这几年在搜索里也越来越明显。

区别只在于，语言登记这套体系是明着写在表格里的，而搜索那一侧是隐含在评估标准里的。两边要的东西一样：你到底有没有亲手做过这件事。

哪三条预期，在实测面前全错了？

打脸一：拉人联署没有用，反而更低

表格第一节留了一栏，专门填其他支持者的姓名、单位和邮箱。开工前保哥的预期是这一栏填得越满越好。

实测：有支持者署名的371份，通过率59.3%；只有一个人署名的245份，通过率64.5%。联署的那一批反而低5个百分点。

合理的解释不是联署有害，是因果反了。争议大的申请才需要拉一堆人来背书，而争议大本身就是驳回的高风险因素。联署是争议的症状，不是解药。

顺带一个细节：有一份申请的支持者栏里塞了41个邮箱。那一份被驳回了。在这套体系里，人多不是力量，只是说明这件事有人不同意。

打脸二：写得越长，通过率越低

把每份表格里几个正文栏位的字数加起来，按四分位分档看通过率。

最短的四分之一，通过率67.5%。偏短那一档69.3%。偏长那一档58.7%。最长的四分之一，通过率50.0%。四分位数是223字符、464字符、989字符。

填得最多的那一批，通过率比填得最少的那一批低17.5个百分点。这条跟所有人的写作直觉都反着来。

原因跟上一条同源：需要长篇论证的申请，本来就是难判的那些。常规的新语言登记只要写清楚这门话跟邻村不通、有多少人说、谁做的调查，两三百字就够了。

可以固化成一条判据：一份材料的长度是争议度的代理指标，不是质量的代理指标。这条在提案、立项书、申诉信上都成立——你写了三千字，通常不是因为你准备得充分，是因为这件事本来就不好说服人。

打脸三：列不列参考文献，跟结果没关系

表格第五节要求列出已出版的文献，包括词典、语法书等。616份里有408份列了，208份完全没列。

通过率：列了文献的60.5%，没列文献的63.0%。基本没有差别，甚至没列的还高一点点。

这一条要特别小心，因为它看起来跟上一篇的结论矛盾。上一篇讲过，这套体系判定两个变体是不是不同语言时，有一条判据看的是文献存量——发达的标准化加上成规模的文献。

两者的区别在于：那条判据看的是这门语言几十年积累下来的文献总量，这里量的是申请人在表格里填不填那一栏。前者是这门语言的客观处境，后者是填表的动作。填了不代表存量厚，没填也不代表没有。

三条打脸合起来说明了什么

三条指向同一个方向：表格上那些看起来像质量信号的东西——联署人数、篇幅、文献清单——都不是。

真正预测结果的是两个变量：这个人提过几次，以及这件事有没有人在争。前者是熟练度，后者是争议度。

保哥觉得这个结论比数字本身更值得记，因为它能直接搬到别的场景。评估一份材料能不能过，先别看它做得多满，先看提交人是不是熟手、这件事本身是不是有分歧。

做内容的人尤其容易掉进第一个坑：以为把能填的都填上就是准备充分。实际上很多流程里，填得多只是暴露了你不知道哪些是关键。

这条在页面上也成立。一个商品页把所有能填的属性格子都填满，未必比只填对三格的页面表现好，因为多出来的那些格子里装的常常是待补充和不适用。小语种内容里那个空着的参考资料栏是同一个形态的极端版本：格式摆得很齐，那件真正费事的事没做。

被申请最多的国家是中国，而没有一份来自中国

先看国家分布

表格第二节要填这门语言用在哪几个国家。把616份的第一个国名取出来归并，一共覆盖98个国家。

排在最前面的是中国，135份，占22.4%。之后是澳大利亚56份、尼日利亚45份、印度39份、巴布亚新几内亚37份、肯尼亚18份、印度尼西亚17份、墨西哥15份。

中国这个第一名的幅度很大，是第二名的两倍多。原因不难理解：中国境内的语言多样性很高，而这套体系上线的那几年，正好有一批针对中国南方少数民族语言的调查项目在进行。

这批申请的通过率是57.8%，略低于全库平均。

顺带说一句，这个国家分布跟商业价值的排序几乎没有重合。跨境电商眼里的重点市场——德国、日本、法国、巴西——在这个库里的申请量都很小，因为那些国家的语言早就登记完了。这份清单的活跃区域，正好是商业地图上最空的那些地方。

这135份是谁提的

按邮箱域名拆开：那家田野调查机构100份，gmail31份，yahoo3份，那个语言学社区1份。

来自中国境内邮箱的是0份。不是很少，是一份都没有——没有.cn域名，没有国内的邮箱服务，一份都没有。

提交量最大的几位：一位在2007年提了39份，另一位用gmail提了20份，还有几位各提了8到13份。这几个人合计完成了这135份里的绝大部分。

再看具体是哪些语言。壮语在这个库里被切成了十几个代码，右江、左江、邕南、砚山、桂北、桂边、柳江、连山这些名字各自成为一个独立的语言代码。布央语被分成三个，另外还有佤语的一支、阿克乌语、茶洞语、卡卓语、桑孔语，以及图木舒克语这样的历史语言。

这批申请集中在哪几年

把这135份按年份铺开，2006和2007两年占了一多半。2006年那份把壮语拆成五个代码的申请和2007年那份一口气拆出九个的申请，两份加起来就是十四个新代码。

打开这两份申请能看到完整的附件：每一个新代码都有一份单独的表格，填着这一支的使用地区、人数、最近的亲属语言。填表的是同一批人，日期挨在一起。

这两年之后，涉及中国的申请量迅速回落，最近几年每年只有零星几份。不是因为剩下的语言都登记完了，是那批项目结束了。

这一点可以拿另一件事对照着看：中国境内还有大量语言的登记信息停留在二十年前那批调查的结论上，之后没有人系统性地复核过。你今天在任何国际清单里查到的那些名字和划分，用的还是那时候的口径。

这件事的后果落在哪

先说清楚：这些申请从语言学上说未必有问题。做这批调查的人是专业的，很多划分在学界是有共识的。

问题不在对错，在于中国境内的语言在国际标准里被切成什么样、每一块叫什么名字、用哪三个字母表示，全部由境外的申请人决定，而且这个过程从来没有中断过。

这件事的下游影响是具体的。你在做面向东南亚市场的内容时，如果涉及壮侗语族，你在任何一份国际语言清单里看到的分类和命名，都是从这批申请里长出来的。那个名字未必是使用者自己的叫法，也未必是国内学界的通行叫法。

再往下一层，这些名字会进到机器翻译的语言列表、进到模型的语言标签、进到你买的关键词工具的下拉框。一门语言在这些工具里叫什么，决定了工具里有没有它的数据。本站量过低资源语言在模型里的表现，那一层的语言清单同样是从这份表长出来的。

这跟一个更普遍的现象是同一回事：一门语言的名字取决于它历史上被谁命名，而不是它自己怎么称呼自己。这一条在语言选择器上的表现（语言切换器该写自称还是英文名）和在标准里的表现，是同一条线的两端。

别的国家什么情况

把这个口径推到别的国家上：尼日利亚45份，本国实体0份。印度尼西亚17份，0份。肯尼亚18份，0份。墨西哥15份，0份。

印度39份里有7份来自一个印度域名。澳大利亚56份里有18份来自本国域名，其中17份是同一所大学。

在申请量最大的十个国家里，只有澳大利亚有本国的学术机构在系统性地做这件事。

这个对照不需要太多解释。做语言登记这件事需要有人常年盯着、懂这套表格、愿意花时间，而多数国家没有一个机构把这件事列进职责。

要补充一句公平话：没有本国机构参与，不等于本国没有研究。很多国家的语言学界有大量成果，只是这些成果没有走这条国际登记的通道。研究和登记是两件事，中间没有自动的传递机制，得有人专门去做那个动作。

本地参与度这个数，为什么第一次量出来是假的？

巴布亚新几内亚看起来有65%

上一节那张表，第一版跑出来的时候有个异常值：巴布亚新几内亚37份申请里，有24份来自以该国顶级域名结尾的邮箱，本地率64.9%，全表最高。

如果照这个数写下去，结论会是：巴新是本地参与度最高的国家，远超澳大利亚和印度。这个结论还挺有故事性，一个太平洋岛国在语言登记上比发达国家更积极。

然后保哥把这24份的域名逐条打开看了一遍。

24份全部是同一个域名——那家田野调查机构在巴新注册的分支机构域名。一份真正的本地申请都没有。

顶级域名当本地参与度用，是一把坏尺子

问题出在指标设计上。用邮箱的国家顶级域名判断申请人是不是本地人，前提是本地域名等于本地实体。跨国组织在当地注册分支域名，这个前提就塌了。

同族的还有肯尼亚那18份：那里有一个当地注册的组织域名，看名字像本地机构，实际上属于同一个体系的圣经翻译项目网络。

这是本工程第十三次撞上尺子失效，形态同样是新的：用地理属性的代理指标衡量组织归属，而跨国组织的当地分支会让这个指标整个失真。

修正的办法只有一个，就是逐条看真实域名，判断这个域名背后是什么实体。616份不算多，一个下午能看完。凡是靠后缀、前缀、命名规则自动归类出来的结论，都得抽样打开看，样本量小的时候干脆全看。

修正之后，澳大利亚那17份反而更值钱了

剔掉分支机构之后，真正由本国实体提交的申请，在申请量前十的国家里只剩澳大利亚一家。

那17份来自澳大利亚北部一所专门研究原住民语言的大学，主申请人是同一位教授，集中在2013年提交。

这个孤例反而把结论说得更清楚：本国机构参与语言登记这件事是可能的，需要的条件是有一个把它写进职责的学术机构。有这个条件的国家很少。

还要看到另一面：那位教授提交的15份集中在同一年，之后就没有了。个人驱动的参与和机构驱动的参与，区别在于前者会随着这个人的项目周期结束而中断。这跟本站量界面语言包完成度时看到的形状一样：最后一次提交的时间戳比完成度百分比更早给出信号，停在几年前的那些，多半是当初那个人不做了。

顺带说，这17份的通过率并不高。做这件事和做成这件事，中间还隔着前面讲的那道熟练度的坎。

为什么说这个库的产能，取决于那一年谁正好在做项目？

逐年看提交量最大的那个人

把616份按年份拆开，看每一年提交量最大的那个人占了多少。

2007年全年140份，一个人提了39份。2013年全年25份，一个人提了15份。2019年全年45份，一个人提了31份，占了那一年的近七成。2021年26份，一个人11份。2022年21份，一个人9份。

每一年参与的人数也很少：2018年只有6个人提过申请，2008年8个人，2013年8个人，2021年8个人。人数最多的一年是2007年，31个人。

换句话说，这份决定全世界语言编号的清单，每一年的更新量取决于那一年有没有一两个人正好在做一个大项目。

那两个占比归零的年份，其实是换了个人

前面提到修正尺子之后，那家机构的占比在三成到九成之间波动。波动里有两个低点：2013年和2019年，占比都是0。

这两年不是没人申请。2013年是那位澳大利亚教授一个人提了15份，2019年是一位用gmail的独立研究者提了31份。占比归零不是因为主力退场，是因为那一年正好有另一个人在批量提交，把分母撑大了。

这条提醒的是同一件事：占比这种相对指标，在分母很小的时候会剧烈跳动，跳动的原因往往在分母不在分子。

做小语种报表的人对这条应该格外敏感，因为小语种的分母天生就小。一门语言当月的自然流量占比翻倍，多半不是它涨了，是别的语言掉了，或者那个月正好有一次活动。按语言拆开看指标这件事，好处是能看见细节，代价是每个格子的样本量都不够。

做报表的人对这条应该很熟。某个渠道的占比突然掉一半，第一反应通常是这个渠道出问题了，实际上常常是另一个渠道那个月做了活动。

这个库的产能是人力驱动的

把逐年的申请量画出来：2006到2008年是高峰，2007年一年140份；之后一路走低，2018年只有7份；2019年因为那位独立研究者又冒起来一次；2020年之后每年二十几份。

这条曲线跟世界上还剩多少门语言没有代码没有关系，跟有多少人在做这件事完全对应。它量的不是需求，是供给。

拿这条曲线去推别的结论会翻车

这条曲线很容易被误读成语言发现的速度，或者世界语言多样性被记录的进度。两个读法都不对。

正确的读法只有一个：它是这几十个人的工作日程表。项目开工，曲线抬头；项目结题，曲线落地。中间那门语言存不存在、有没有被记录的需要，跟曲线的形状没有关系。

凡是由少数人产出的公开数据，它的时间曲线首先反映的是这些人的排期，其次才是外部世界。本站量小语种内容量跟编辑人数的关系时得到的是同一个形状：内容曲线的拐点对应的从来不是需求变化，是那几个活跃编辑的进出。

上一篇提过这个库已经从造语言转成了改名字：十八年新建944个代码，前六年占了六成。现在可以补一句原因——不是该建的都建完了，是集中做这件事的那批项目结束了。

这件事对做小语种SEO的人有什么用？

用法一：查一下你的语言最近有没有被人动过

这个库的变更申请索引可以按年份翻，每一条都能点进去看申请人和结果。

动作很简单：搜一下你在做的那门语言，看最近十年有没有出现在申请里。出现过，说明它的边界或者名称最近被动过，你手上那份词表的口径可能已经旧了。

没出现过反而是好消息。这跟上一篇给的判据一样，只是这次多一个维度：不只看有没有申请，还要看提申请的是谁。如果是那家机构在做例行登记，多半不影响你；如果是本地社群在争一个独立代码，那这门语言的市场边界可能正在变。

判据可以再具体一点：申请人是机构、变更类型是创建，通常是补登记，跟你无关；申请人是个人或本地组织、变更类型是拆分，那就要看一眼，因为拆分意味着有人认为现在这个代码盖住了两拨不同的人。

举个具体的：如果你做的品类涉及某个正在争取独立代码的地区变体，那说明当地人认为自己说的不是那门大语言。这个认同差异会直接反映在他们用什么词搜索上。

用法二：别把标准里的地位当成市场规模的代理

这一条上一篇说过一次，这一篇的数据从另一个角度支持它。

一门语言有没有代码、代码分得细不细，取决于有没有人去做过调查，跟这门语言有多少人说、有多大商业价值几乎无关。壮语被切成十几个代码不是因为它商业上重要，是因为2007年正好有一个项目在做那一带。

反过来，某门语言在这份清单里只有一个笼统的代码，也不代表它内部没有分歧。只代表还没有人去分过。

这一条在做关键词表的时候最容易吃亏。你按代码建了一套词表，以为覆盖了这门语言的全部使用者，实际上那个代码底下装着两三拨说法不同的人。同一门语言在不同市场的搜索意图差异那一篇讲的就是这种情况，只是那一篇是从需求侧发现的，这一篇是从供给侧解释了它为什么会发生。

所以做语种优先级的时候，这份清单只能当成一份存在性名单，不能当成一份重要性排序。真正的排序要用需求侧的数据，那套方法在小语种优先级的成本模型那一篇里。

用法三：数据同源这件事怎么绕

前面说过整条链上只有一家。这对你的实际影响是：你没法用两份独立的数据互相验证一门语言的基本信息。

能绕的办法有两个。一是换一类数据源：不看语言学数据库，看这门语言在实际系统里的落地情况——界面语言清单里有没有它、区域数据填了多少、词典文件更新到哪一年。这几层的数据来自完全不同的组织，跟码表没有同源问题。

这几层还有个好处：它们回答的是能不能用，而码表回答的是存不存在。做项目排期的时候，前者比后者有用得多——一门语言在标准里存在了二十年，不代表你的技术栈今天支持它。

二是看需求侧：搜索量、本地媒体的用词、当地零售商的商品分类名。这些数据不关心这门语言在标准里叫什么，只反映人实际怎么说话。

本站量过几层这类数据，比如界面语言包的完成度和区域格式数据的自有率，两层都能当交叉验证用。

用法五：这套读法可以搬到别的注册库

这一篇真正可以复用的不是那几个数字，是读一个注册库的方法。

任何一个把决定过程公开归档的机构，都能这么读：先看谁在提，再看提的人分几类，然后按类别算通过率，最后看每一年的量取决于谁。四步做完，你就知道这份数据的边界在哪。

能这么读的库不止这一个。域名争议的裁决库、标准组织的提案库、平台的政策变更记录，结构都类似。公开归档的不是全部事实，是被记录下来的那部分事实，而记录的密度取决于有多少人在参与。

顺带说一句实际的：这类库还有一个用法是查对手。如果你的品类涉及某个需要注册或备案的环节，去翻那个环节的公开档案，能看到同行在什么时候做过什么动作，比任何行业报告都具体。

用法四：如果你真的要提一份申请

前面那三条打脸的发现，正好可以倒过来当建议用。

第一，先确认变更类型填对了。创建、拆分、合并、修改、注销，五种的举证要求完全不同，拆分最难。第二，别为了显得郑重去拉一堆人联署，也别把表格填成论文。第三，把力气花在唯一那条硬判据上——互不相通，而且要有可核查的证据，不是印象。

第四，也是最实际的一条：找一个提过十次以上的人合作。数据摆在那里，第一次自己提的通过率是27.4%，找个熟手是73.0%。

不过讲真，对绝大多数做跨境电商的读者来说，这一条的价值不在于真去提申请，而在于理解一件事：你以为的国际标准，很多时候是几十个人的工作量堆出来的。

常见问题解答

这616份是全部的语言代码申请吗？

不是。这616份是附了单独申请表的部分，主要对应创建新语言代码这一类。合并、注销、改名这几类通常不需要单独附表，信息直接写在主申请里。整个库的申请总数比这个大，上一篇统计的是1423条申请、2250行变更。

为什么截到2022年，不看最近几年？

因为2022年之后的附件在库里还没铺全，逐年抓下来会有缺口。用一个样本不完整的年份去算占比，很容易算出一个假趋势——这一篇里已经因为格式变更栽过一次，不想再栽第二次。

那家机构占比这么高，这份清单可信吗？

可信度和独立性是两件事。这批申请的专业水准没有问题，做调查的人是这个领域里最有经验的一批。有问题的是你没有第二个独立来源可以拿来对照，所以任何基于它的判断都要留一点余量，尤其是涉及语言数量、语言划分这类结论的时候。

中国境内的语言，国内有机构在做这件事吗？

就这616份表格的署名来看，2006到2022年之间没有来自中国境内邮箱的申请。这不代表国内没有相关研究，只代表这些研究没有走这条国际登记的通道。这两件事是分开的：国内的语言调查成果和国际标准里的登记，之间没有自动的传递机制。

我做的语言在这个库里查不到任何申请，说明什么？

说明它的登记信息在这些年里是稳定的，你按现有代码建的一切不会突然失效。这是好消息。要注意的只有一点：稳定不等于准确，也可能只是没有人去核过。

提交一份申请要等多久？

中位数大约一年。这个库一年只发布一到两次变更，所以实际等待时间取决于你提交的时点离下一个生效日有多远。极端的例子上一篇提过，有一份申请等了十七年才有结果。