TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling: Najlepsze statystyki
Filmed:
Readability: 3.6
14,386,844 views
Nigdy nie widzieliście takiego sposobu prezentacji danych. Z werwą komentatora sportowego, guru statystyk Hans Rosling burzy mity na temat tak zwanych „krajów rozwijających się”.
Hans Rosling - Global health expert; data visionary
In Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus. Full bio
In Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus. Full bio
Double-click the English transcript below to play the video.
00:25
About 10 years ago, I took on the task to teach global development
0
0
4000
10 lat temu podjąłem zadanie
prowadzenia zajęć o rozwoju globalnym
prowadzenia zajęć o rozwoju globalnym
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
dla szwedzkich studentów licencjackich.
Było to po 20 lat badań głodu w Afryce
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
prowadzonych z instytucjami afrykańskimi.
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
Oczekiwano, że mam jakąś wiedzę o świecie.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Zacząłem wykładać w Akademii Medycznej
Karolińska Institute
Karolińska Institute
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
kurs pod nazwą "Zdrowie globalne".
Taka okazja wywołuje tremę.
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
Myślałem, że nasi studenci
00:53
coming to us actually have the highest grade you can get
7
28000
3000
mają już najlepsze w Szwecji
akademickie wykształcenie,
akademickie wykształcenie,
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
więc być może wiedzą już wszystko,
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
czego zamierzam uczyć.
Zacząłem od wstępnego testu.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Pytanie, z którego wiele
się dowiedziałem, brzmiało:
się dowiedziałem, brzmiało:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
Wskaż kraj z wyższą umieralnością dzieci
w pięciu parach krajów".
w pięciu parach krajów".
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Zestawiłem je tak, że w każdej parze
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
różnica była dwukrotna.
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
Czyli że różnica jest o wiele większa
niż niepewność danych.
niż niepewność danych.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Nie będę was sprawdzał.
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
To Turcja z największą umieralnością,
Polska, Rosja, Pakistan
i Afryka Południowa.
i Afryka Południowa.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Tak wypadli szwedzcy studenci.
Uzyskany w ten sposób przedział ufności
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
okazał się wąski, co mnie ucieszyło.
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1,8 poprawnych odpowiedzi
na pięć możliwych.
na pięć możliwych.
01:41
there was a place for a professor of international health --
20
76000
3000
Czyli było miejsce dla wykładowcy
międzynarodowego zdrowia
międzynarodowego zdrowia
01:44
(Laughter) and for my course.
21
79000
2000
i na moje zajęcia.
01:46
But one late night, when I was compiling the report
22
81000
4000
(Śmiech)
Ale pewnego wieczoru,
gdy opracowywałem raport,
gdy opracowywałem raport,
01:50
I really realized my discovery. I have shown
23
85000
4000
zrozumiałem wagę swojego odkrycia.
Pokazałem, że najlepsi szwedzcy studenci
01:54
that Swedish top students know statistically significantly less
24
89000
5000
statystycznie wiedzą znacznie mniej
o świecie niż szympansy.
o świecie niż szympansy.
01:59
about the world than the chimpanzees.
25
94000
2000
02:01
(Laughter)
26
96000
2000
(Śmiech)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Szympansy uzyskałyby 50% trafień
gdyby dać im dwa banany
ze Sri Lanką i Turcją,
ze Sri Lanką i Turcją,
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
miałyby rację w połowie przypadków.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
A studenci nie.
Problemem nie była ignorancja,
tylko uprzedzenia.
tylko uprzedzenia.
02:14
it was preconceived ideas.
30
109000
3000
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Nieetycznemu badaniu poddałem również
profesorów z Instytutu Karolińskiego,
02:21
(Laughter)
32
116000
1000
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
przyznających Nagrody Nobla w Medycynie,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
i wypadli na równi z szympansami.
02:26
(Laughter)
35
121000
3000
(Śmiech)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Zdałem sobie sprawę
z zapotrzebowania na informację,
z zapotrzebowania na informację,
02:33
because the data of what's happening in the world
37
128000
3000
bo dane na temat tego,
co się dzieje na świecie
co się dzieje na świecie
02:36
and the child health of every country is very well aware.
38
131000
3000
i o zdrowiu dzieci
w każdym kraju są dostępne.
w każdym kraju są dostępne.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Napisaliśmy program,
który pokazuje to tak:
który pokazuje to tak:
każda bańka reprezentuje kraj.
02:44
This country over here is China. This is India.
40
139000
6000
To są Chiny. To są Indie.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Rozmiar bąbelka to populacja,
a na tej osi umieściłem poziom płodności.
02:56
Because my students, what they said
42
151000
3000
Moi studenci mieli pogląd na świat,
02:59
when they looked upon the world, and I asked them,
43
154000
2000
03:01
"What do you really think about the world?"
44
156000
2000
gdy zapytałem ich:
"Co naprawdę myślicie o świecie?.
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Odkryłem, że podręcznik jest zabytkowy
03:07
(Laughter)
46
162000
1000
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
(Śmiech)
Odpowiedzieli:
"Świat to nadal 'my' i 'oni'.
"Świat to nadal 'my' i 'oni'.
03:11
And we is Western world and them is Third World."
48
166000
3000
My to Zachód, a oni to Trzeci Świat".
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"Co rozumiecie przez Zachód" - zapytałem.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Długie życie i mała rodzina,
a Trzeci Świat to krótkie życie
i duża rodzina".
i duża rodzina".
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Oto, co mogłem pokazać.
Tu daję poziom płodności:
ilość dzieci na kobietę:
ilość dzieci na kobietę:
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
1, 2, 3, 4 aż do 8 dzieci na kobietę.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Mamy bardzo dobre dane z lat 60.
na temat rozmiaru rodzin
we wszystkich krajach.
we wszystkich krajach.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Margines błędu jest mały.
Tu daję oczekiwaną
długość życia przy urodzeniu,
długość życia przy urodzeniu,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
od 30 lat w niektórych krajach
aż do 70 lat.
aż do 70 lat.
03:45
And 1962, there was really a group of countries here
56
200000
3000
W 1962 roku rzeczywiście
była grupa krajów,
była grupa krajów,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
to kraje uprzemysłowione,
z małymi rodzinami i długim życiem.
03:53
And these were the developing countries:
58
208000
2000
Tu były kraje rozwijające się:
03:55
they had large families and they had relatively short lives.
59
210000
3000
duże rodziny i stosunkowo krótkie życie.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Co zdarzyło się od roku 1962?
Zobaczmy zmianę.
Zobaczmy zmianę.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Czy studenci mają rację?
Czy nadal są dwa rodzaje krajów?
Czy nadal są dwa rodzaje krajów?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
A może kraje rozwijające się
mają mniejsze rodziny i są tutaj?
mają mniejsze rodziny i są tutaj?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Może żyją dłużej i są tam u góry?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Zobaczmy. Zatrzymaliśmy świat.
To wszystko są dane statystyczne ONZ.
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
Widzicie?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
To są Chiny, polepszenie zdrowia,
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Zielone kraje Ameryki Południowej
idą do mniejszych rodzin.
idą do mniejszych rodzin.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Te żółte to kraje arabskie,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
dłuższe życie, ale nie większe rodziny.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Tu zielone kraje afrykańskie. Bez zmian.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
To Indie. Indonezja zmienia się szybko.
04:36
(Laughter)
72
251000
1000
(Śmiech)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
W latach 80. Bangladesz
nadal wśród krajów afrykańskich.
nadal wśród krajów afrykańskich.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Ale teraz cud z lat 80.:
04:43
the imams start to promote family planning.
75
258000
3000
imamowie promują planowanie rodziny.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Ruszają do tego rogu.
W latach 90. mamy okropną epidemię HIV,
04:51
that takes down the life expectancy of the African countries
77
266000
3000
co skraca średnią długość życia
w krajach afrykańskich
w krajach afrykańskich
04:54
and all the rest of them move up into the corner,
78
269000
4000
Pozostałe przenoszą się do tego rogu,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
z długim życiem i małą rodziną.
Mamy zupełnie nowy świat.
Mamy zupełnie nowy świat.
05:02
(Applause)
80
277000
13000
(Oklaski)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Porównam USA z Wietnamem.
05:20
1964: America had small families and long life;
82
295000
5000
1964: w USA są małe rodziny
i długa średnia życia;
i długa średnia życia;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Wietnam miał duże rodziny
i krótką średnią życia.
i krótką średnią życia.
I oto co się dzieje:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
dane z wojny wskazują,
że mimo wielu zabitych
że mimo wielu zabitych
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
średnia długość życia uległa poprawie.
Wprowadzono tam planowanie rodziny
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
i przyjęły się mniejsze rodziny.
05:41
And the United States up there is getting for longer life,
87
316000
3000
W USA, u góry,
średnia długość życia wydłuża się,
średnia długość życia wydłuża się,
05:44
keeping family size. And in the '80s now,
88
319000
3000
a rodziny pozostają takie same.
W latach 80. zarzucają
komunistyczne planowanie
komunistyczne planowanie
05:47
they give up communist planning and they go for market economy,
89
322000
3000
i przyjmują gospodarkę rynkową,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
co zmienia się szybciej
niż życie społeczne.
niż życie społeczne.
Dziś mamy taką samą średnią długość życia
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
i taki sam rozmiar rodzin,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
w Wietnamie w roku 2003,
jak w USA w roku 1974, pod koniec wojny.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Nie patrząc na te dane,
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
nie doceniamy olbrzymich
społecznych zmian w Azji,
społecznych zmian w Azji,
06:14
in social change before we saw the economical change.
95
349000
4000
widocznych przed zmianami gospodarczymi.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Przejdźmy do innej ilustracji.
Pokażemy dystrybucję dochodów na świecie.
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
To jest światowa dystrybucja dochodów.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Jeden dolar, 10 dolarów
lub 100 dolarów na dzień.
lub 100 dolarów na dzień.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Nie ma już przepaści
między bogatymi i biednymi. To mit.
między bogatymi i biednymi. To mit.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Tu mamy mały garb,
ale wszędzie są ludzie.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Widać tu 100% światowego dochodu.
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
20% najbogatszych zarabia około 74%.
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
A 20% najbiedniejszych zarabia 2%.
07:01
they take about two percent. And this shows that the concept
104
396000
5000
Czyli koncept krajów rozwijających się
jest bardzo wątpliwy.
jest bardzo wątpliwy.
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
Myślimy o pomocy,
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
ci ludzie pomagają tamtym.
Ale większość populacji jest po środku
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
z 24 procentami dochodów.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Już o tym słyszeliśmy. Kim oni są?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Gdzie są różne kraje?
Pokażę Afrykę. To jest Afryka.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
10% ludności świata,
większość żyje w biedzie.
większość żyje w biedzie.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
To państwa OECD.
Bogate kraje. Ekskluzywny klub ONZ.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Oni są tutaj.
Sporo się pokrywa między Afryką i OECD.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
A to Ameryka Południowa.
Mają i najbiedniejszych i najbogatszych
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
w Ameryce Południowej.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Na górze umieśćmy Europę Wschodnią,
Azję wschodnią i południową.
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
A gdyby cofnąć się w czasie
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
do roku 1970?
Wówczas garb był większy.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Azjaci żyli wówczas w największej biedzie.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Problemem światowym
była wówczas bieda w Azji.
była wówczas bieda w Azji.
Teraz ruszę świat naprzód,
zobaczycie, że w miarę
wzrostu liczby ludności,
wzrostu liczby ludności,
08:14
you will see that while population increase, there are
120
469000
3000
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
tysiące milionów ludzi
wydostaje się z biedy w Azji,
wydostaje się z biedy w Azji,
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
a inni biednieją
i tak to dziś wygląda.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
A to najlepsza prognoza
z Banku Światowego.
z Banku Światowego.
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
Nie będzie podzielonego świata.
Większość ludzi będzie pośrodku.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Oczywiście to skala logarytmiczna,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
ale nasz koncept gospodarki
zakłada wzrost procentowy.
zakłada wzrost procentowy.
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
My widzimy możliwość
wzrostu percentylowego.
wzrostu percentylowego.
Jeśli to zmienię
i wezmę wzrost PKB na głowę
i wezmę wzrost PKB na głowę
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
zamiast dochodów na rodzinę,
08:48
individual data into regional data of gross domestic product,
129
503000
6000
zmienię te dane indywidualne
na dane regionalne PKB
na dane regionalne PKB
oraz dodam regiony z dołu,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
rozmiar bańki to nadal populacja.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Tu mamy OECD,
tam kraje Czarnej Afryki,
tam kraje Czarnej Afryki,
09:01
and we take off the Arab states there,
132
516000
3000
usuniemy stąd kraje arabskie,
zarówno z Afryki, jak i Azji,
zarówno z Afryki, jak i Azji,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
i przedstawimy je oddzielnie.
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
Można przedłużyć tę oś,
i dać jej nowy wymiar
09:13
by adding the social values there, child survival.
135
528000
3000
dodając wartości społeczne,
przeżywalność dzieci.
przeżywalność dzieci.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Na tej osi są pieniądze
i tam dzieci mają większe szanse.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
W niektórych krajach 99,7%
dzieci przeżywa do 5 roku życia;
dzieci przeżywa do 5 roku życia;
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
w innych, zaledwie 70%.
Wydaje się, że istnieje przepaść
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
między krajami OWGR, Ameryką Południową,
Europą Wschodnią, Azją Wschodnią,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
krajami arabskimi,
Azją Południową i Czarną Afryką.
Azją Południową i Czarną Afryką.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Widać wyraźny związek między
przeżywalnością dzieci i zamożnością.
przeżywalnością dzieci i zamożnością.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Ale teraz rozczłonkuję Czarną Afrykę.
Tu jest gorsze i lepsze zdrowie.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Dzielę Czarną Afrykę
na poszczególne kraje.
na poszczególne kraje.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Po podziale każda bańka reprezentuje kraj.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Sierra Leone na dole. Mauritius u góry.
Mauritius jako pierwszy
usunął bariery handlowe,
usunął bariery handlowe,
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
co umożliwiło im
sprzedaż cukru i tekstylii
sprzedaż cukru i tekstylii
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
na takich samych warunkach
jak w Europie i Ameryce Północnej.
jak w Europie i Ameryce Północnej.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Afryka jest różnorodna.
Ghana jest tu w środku.
Ghana jest tu w środku.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
W Sierra Leone - pomoc humanitarna.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
W Ugandzie - pomoc na rozwój.
Tu pora inwestować, tam jechać na urlop.
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
Ogromne zróżnicowanie w obrębie Afryki,
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
a nam zdaje się, że wszystko
jest na jedno kopyto.
jest na jedno kopyto.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Mogę tu podzielić Azję.
India to duża bańka w środku.
India to duża bańka w środku.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Duża różnica między
Afganistanem i Sri Lanką.
Afganistanem i Sri Lanką.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Dzielę kraje arabskie. Jak się mają?
Ten sam klimat, ta sama kultura,
ta sama religia. Duża różnica.
ta sama religia. Duża różnica.
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
Nawet między sąsiadami.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Jemen - wojna domowa.
Zjednoczone Emiraty Arabskie
- dobrze użyte pieniądze.
- dobrze użyte pieniądze.
10:54
Not as the myth is. And that includes all the children of the foreign workers who are in the country.
158
629000
7000
Na przekór mitom.
Wliczamy też dzieci
zagranicznych pracowników,
zagranicznych pracowników,
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
którzy przebywają w kraju.
Dane są często lepsze, niż myślimy.
A uważa się, że dane są złe.
A uważa się, że dane są złe.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Istnieje margines niepewności,
ale tu widać różnicę:
ale tu widać różnicę:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Kambodża, Singapur.
Różnice są znacznie większe
niż słabość danych.
niż słabość danych.
11:11
than the weakness of the data. East Europe:
162
646000
3000
Europa Wschodnia:
długa gospodarka sowiecka,
długa gospodarka sowiecka,
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
ale po 10 latach
rezultaty są bardzo odmienne.
rezultaty są bardzo odmienne.
11:20
very, very differently. And there is Latin America.
164
655000
3000
A oto Ameryka Południowa.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Dziś nie trzeba jechać na Kubę,
aby znaleźć zdrowy kraj
w Ameryce Południowej.
w Ameryce Południowej.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Umieralność dzieci będzie niższa w Chile
niż na Kubie za kilka lat.
niż na Kubie za kilka lat.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
A tu mamy bogate kraje OECD.
11:35
And we get the whole pattern here of the world,
168
670000
4000
A tutaj wzór całego świata,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
który wygląda mniej więcej tak.
Tak wyglądał świat.
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
W roku 1960 zaczyna się zmieniać.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
To Mao Tse-tung.
Wprowadził zdrowie w Chinach,
Wprowadził zdrowie w Chinach,
a potem umarł.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Potem był Den Xiaoping,
sprowadził pieniądze do Chin
sprowadził pieniądze do Chin
i wprowadził kraj ponownie w główny nurt.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Widzieliśmy, jak kraje
idą w różnych kierunkach,
idą w różnych kierunkach,
12:02
so it's sort of difficult to get
174
697000
4000
więc trudno znaleźć kraj,
12:06
an example country which shows the pattern of the world.
175
701000
5000
który pokazywałby wzór świata.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Wróćmy do roku 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Chciałbym porównać Koreę Południową, tu,
z Brazylią, tutaj.
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
Uciekła mi etykieta.
Chciałbym pokazać Ugandę, tutaj.
12:32
which is there. And I can run it forward, like this.
179
727000
5000
I mogę ruszyć w przyszłość o tak.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Widać szybkie postępy Korei Południowej,
12:46
whereas Brazil is much slower.
181
741000
3000
podczas gdy Brazylia jest powolniejsza.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Jeśli znów się cofnąć i dać im markery,
12:55
you can see again that the speed of development
183
750000
4000
widać, że tempo rozwoju bardzo się różni
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
i że kraje zmieniają się mniej więcej
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
w tym samym tempie,
co pieniądze i zdrowie,
co pieniądze i zdrowie,
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
choć można się ruszać szybciej
jeśli jest się najpierw zdrowym,
a dopiero potem bogatym.
a dopiero potem bogatym.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Dla ilustracji dodajmy
Zjednoczone Emiraty Arabskie.
Zjednoczone Emiraty Arabskie.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Idą stąd. To kraj minerałów.
Zgromadzili całą naftę,
dostali wszystkie pieniądze,
dostali wszystkie pieniądze,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
ale zdrowia nie można
kupić w supermarkecie.
kupić w supermarkecie.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
W zdrowie trzeba inwestować.
Trzeba wysłać dzieci do szkoły.
Trzeba wysłać dzieci do szkoły.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Trzeba szkolić personel medyczny.
Ludność trzeba edukować.
Ludność trzeba edukować.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
A Sheikh Sayed poradził sobie
z tym całkiem nieźle.
z tym całkiem nieźle.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Mimo spadku cen ropy,
przemieścił kraj tutaj.
przemieścił kraj tutaj.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
To dużo bliższy prawdy wygląd świata,
13:43
where all countries tend to use their money
195
798000
2000
gdzie kraje wykorzystują pieniądze
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
lepiej, niż robiły to w przeszłości.
Tak wyglądają uśrednione dane z krajów.
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Używanie średnich jest niebezpieczne,
bo wewnątrz krajów też są różnice.
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
Tutaj widzę, że dzisiejsza Uganda
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
jest tam, gdzie Korea Południowa
była w roku 1960.
była w roku 1960.
Jeśli podzielimy Ugandę,
widać duże różnice.
widać duże różnice.
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
Oto pięć kwintyli w Ugandzie.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Najbogatsze 20% tutaj.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Najbiedniejsi tu, na dole.
Jeśli podzielimy RPA, wygląda to tak.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Tu na dole jest Niger,
gdzie była ostatnio
straszna klęska głodowa.
straszna klęska głodowa.
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
20% najbiedniejszych z Nigru jest tutaj,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
a 20% najbogatszych z RPA - tutaj,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
a my próbujemy omawiać
rozwiązania dla Afryki.
rozwiązania dla Afryki.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
W Afryce można znaleźć wszystko.
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
Uniwersalny dostęp do [leków] HIV
dla tej grupy tu, u góry,
dla tej grupy tu, u góry,
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
wymaga innej strategii niż tu, na dole.
Poprawa sytuacji na świecie
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
musi być rozpatrywana
w bardzo szerokim kontekście
w bardzo szerokim kontekście
i nie ma sensu robienie tego
na poziomie regionalnym.
na poziomie regionalnym.
15:00
on regional level. We must be much more detailed.
212
875000
3000
Potrzeba dużo więcej szczegółów.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Studenci bardzo się cieszą,
gdy mogą z tego korzystać.
gdy mogą z tego korzystać.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Ustawodawcy i korporacje chcą zobaczyć,
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
jak zmienia się świat.
Czemu tak się nie dzieje?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Czemu nie wykorzystujemy
danych, które posiadamy?
danych, które posiadamy?
Mamy dane z ONZ,
15:20
in the national statistical agencies
217
895000
2000
dane z krajowych agencji statystycznych,
15:22
and in universities and other non-governmental organizations.
218
897000
4000
z uniwersytetów
i organizacji pozarządowych.
i organizacji pozarządowych.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Ponieważ dane ukryte są w bazach danych.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
I odbiorcy są tam, i Internet jest tam,
ale wciąż nie robimy tego efektywnie.
15:33
All that information we saw changing in the world
221
908000
3000
Wszystkie informacje
o zmianach na świecie,
o zmianach na świecie,
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
nie obejmują
publicznie opłacanej statystki.
publicznie opłacanej statystki.
Jest kilka stron internetowych, jak ta,
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
czerpią trochę informacji z baz danych,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
ale ludzie narzucają opłaty,
głupie hasła i nudną statystykę.
głupie hasła i nudną statystykę.
15:51
(Laughter) (Applause)
225
926000
3000
(Śmiech) (Oklaski)
To się nie sprawdzi.
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Czego potrzeba? Mamy bazy danych.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Nie potrzeba nam nowych.
Mamy wspaniałe narzędzia do projektowania,
wciąż je tu dodajemy.
wciąż je tu dodajemy.
16:02
and more and more are added up here. So we started
228
937000
3000
Założyliśmy firmę non-profit
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
łączącą dane z projektem.
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
Nazywa się Gapminder,
od londyńskiego metra,
od londyńskiego metra,
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
gdzie ostrzegają: "uwaga na lukę".
Uznaliśmy nazwę Gapminder za stosowną.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Zaczęliśmy pisać oprogramowanie,
które tak mogłoby łączyć dane.
które tak mogłoby łączyć dane.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
I to nie było tak trudne.
Zajęło to kilka osobo-lat,
ale wyprodukowaliśmy animacje.
ale wyprodukowaliśmy animacje.
16:26
You can take a data set and put it there.
234
961000
2000
Można tu wstawić zestaw danych.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Uwalniamy dane z kilku organizacji ONZ.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Niektóre kraje zgadzają się
udostępniać dane,
udostępniać dane,
16:37
but what we really need is, of course, a search function.
237
972000
3000
ale tak naprawdę potrzeba nam
funkcji przeszukiwania,
funkcji przeszukiwania,
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
która umożliwi kopiowanie danych
do odpowiedniego formatu
do odpowiedniego formatu
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
i wypuszczenia ich w świat.
A co słyszymy?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Przeprowadziłem badania antropologiczne
dotyczące głównych urzędów statystycznych.
dotyczące głównych urzędów statystycznych.
Wszyscy mówią: "Niemożliwe.
Nie da się zrobić.
Nie da się zrobić.
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
Nasze informacje są tak osobliwe
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
że nie można ich przeszukiwać
tak samo jak innych.
tak samo jak innych.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Nie możemy udostępnić danych
za darmo studentom i przedsiębiorcom".
za darmo studentom i przedsiębiorcom".
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Ale to właśnie chcielibyśmy widzieć.
17:08
The publicly-funded data is down here.
245
1003000
3000
Publicznie opłacane dane są tu na dole.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
Chcielibyśmy wyhodować kwiaty w sieci.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Przede wszystkim muszą
nadawać się do przeszukiwań
nadawać się do przeszukiwań
wówczas można użyć narzędzi do animacji.
17:19
the different design tool to animate it there.
248
1014000
2000
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Tutaj niezła wiadomość.
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
Otóż obecny nowy dyrektor
Działu Statystki ONZ
Działu Statystki ONZ
nie mówi, że to niemożliwe.
17:30
He only says, "We can't do it."
251
1025000
2000
Mówi tylko: "Nie możemy tego zrobić".
17:32
(Laughter)
252
1027000
4000
(Śmiech)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
To dopiero mądrala.
17:38
(Laughter)
254
1033000
2000
(Śmiech)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Wiele zmieni się w danych
w najbliższym czasie.
w najbliższym czasie.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Będzie można zobaczyć
dystrybucję dochodów
dystrybucję dochodów
w zupełnie nowymi świetle.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
To dystrybucja dochodów
w Chinach w 1970 roku
w Chinach w 1970 roku
17:54
the income distribution of the United States, 1970.
258
1049000
5000
i dystrybucja dochodów w USA w 1970 roku.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Prawie się nie pokrywają.
I co się stało?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Ano Chiny się rozwijają,
pojawiły się różnice.
pojawiły się różnice.
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
i pojawia się tutaj, górując nad USA.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Prawie jak duch, co?
18:14
(Laughter)
263
1069000
2000
(Śmiech)
Przerażające.
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
(Śmiech)
Uważam jednak, że posiadanie
tych informacji jest bardzo istotne.
tych informacji jest bardzo istotne.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Naprawdę trzeba to zobaczyć.
I zamiast patrzeć na to,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
chciałbym na koniec pokazać
użytkowników Internetu na tysiąc.
użytkowników Internetu na tysiąc.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
To oprogramowanie udostępnia
około 500 zmiennych
około 500 zmiennych
ze wszystkich krajów.
18:42
It takes some time to change for this,
268
1097000
4000
Wprowadzenie zmian trochę trwa,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
ale na osiach można dać dowolne zmienne.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Bazy danych powinny być bezpłatne,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
w odpowiednim formacie
i łatwe do zmiany w formaty graficzne,
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
co ułatwia błyskawiczne zrozumienie.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Statystycy tego nie lubią.
Mówią, że to nie pokaże rzeczywistości;
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
trzeba mieć metody statystyczne, analityczne.
19:16
But this is hypothesis-generating.
275
1131000
3000
Lecz to jest tylko tworzenie hipotezy.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Teraz kończę ze światem.
Oto nadchodzi Internet.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Liczba użytkowników rośnie tak.
To jest produkt krajowy brutto na głowę.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Wchodzi nowa technologia,
która zdumiewająco pasuje
która zdumiewająco pasuje
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
do gospodarki krajów.
To dlatego komputer za 100 dolarów
będzie tak ważny.
będzie tak ważny.
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
Ale jest to dobra tendencja.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
To tak, jakby świat stawał się płaski.
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
Te kraje dźwigają się bardziej niż gospodarka
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
i będzie ciekawie śledzić to przez rok,
co chciałbym wam umożliwić
przy użyciu publicznych danych.
przy użyciu publicznych danych.
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
Dziękuję bardzo.
19:53
(Applause)
285
1168000
3000
(Brawa)
ABOUT THE SPEAKER
Hans Rosling - Global health expert; data visionaryIn Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus.
Why you should listen
Even the most worldly and well-traveled among us have had their perspectives shifted by Hans Rosling. A professor of global health at Sweden's Karolinska Institute, his work focused on dispelling common myths about the so-called developing world, which (as he pointed out) is no longer worlds away from the West. In fact, most of the Third World is on the same trajectory toward health and prosperity, and many countries are moving twice as fast as the west did.
What set Rosling apart wasn't just his apt observations of broad social and economic trends, but the stunning way he presented them. Guaranteed: You've never seen data presented like this. A presentation that tracks global health and poverty trends should be, in a word: boring. But in Rosling's hands, data sings. Trends come to life. And the big picture — usually hazy at best — snaps into sharp focus.
Rosling's presentations were grounded in solid statistics (often drawn from United Nations and World Bank data), illustrated by the visualization software he developed. The animations transform development statistics into moving bubbles and flowing curves that make global trends clear, intuitive and even playful. During his legendary presentations, Rosling took this one step farther, narrating the animations with a sportscaster's flair.
Rosling developed the breakthrough software behind his visualizations through his nonprofit Gapminder, founded with his son and daughter-in-law. The free software — which can be loaded with any data — was purchased by Google in March 2007. (Rosling met the Google founders at TED.)
Rosling began his wide-ranging career as a physician, spending many years in rural Africa tracking a rare paralytic disease (which he named konzo) and discovering its cause: hunger and badly processed cassava. He co-founded Médecins sans Frontièrs (Doctors without Borders) Sweden, wrote a textbook on global health, and as a professor at the Karolinska Institut in Stockholm initiated key international research collaborations. He's also personally argued with many heads of state, including Fidel Castro.
Hans Rosling passed away in February 2017. He is greatly missed.
Hans Rosling | Speaker | TED.com