TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling předvádí nejlepší statistiky, jaké jste kdy viděli
Filmed:
Readability: 3.6
14,386,844 views
Data v této podobě jste ještě nikdy neviděli. Guru statistiky Hans Rosling s dramatickou naléhavostí sportovního komentátora boří mýty o takzvaných "rozvojových zemích".
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
Před zhruba deseti lety jsem se ujal výuky kurzu světového rozvoje
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
pro švédské vysokoškolské studenty. Předtím jsem strávil
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
asi dvacet let v Africe, kde jsem spolu s tamními institucemi studoval nedostatek potravin,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
takže se ode mě tak trochu očekávalo, že o světě něco málo vím.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Na naší lékařské univerzitě, institutu Karolinska, jsem zahájil
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
výuku předmětu "Globální zdraví". Když ale dostanete
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
takovou příležitost, začnete být trochu nervózní. Říkal jsem si, že studenti,
00:53
coming to us actually have the highest grade you can get
7
28000
3000
kteří k nám přicházejí, měli to nejlepší vzdělání,
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
jaké mohou švédské školy poskytnout - takže možná už znají vše,
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
co je chci učit. Než jsme tedy začali, nechal jsem je napsat test.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Jedna z otázek, ze které jsem se hodně poučil, byla:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Která země z každé z následujících pěti dvojic má vyšší dětskou úmrtnost?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Poskládal jsem je tak, aby v každé z dvojic
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
měla jedna země dvojnásobnou úmrtnost oproti druhé. To znamená,
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
že rozdíl je daleko větší než by mohla způsobit nepřesná data.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Nebudu vás tu zkoušet, správně je Turecko,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
které ji zde má vyšší, Polsko, Rusko, Pákistán a Jihoafrická republika.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
A tohle jsou výsledky švédských studentů. Získal jsem
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
poměrně úzký interval spolehlivosti, což mě samozřejmě potěšilo,
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
konkrétně 1,8 správné odpovědi z pěti možných. To znamená, že
01:41
there was a place for a professor of international health --
20
76000
3000
existovalo místo pro profesora mezinárodního zdravotnictví -
01:44
(Laughter) and for my course.
21
79000
2000
(Smích) a pro můj předmět.
01:46
But one late night, when I was compiling the report
22
81000
4000
Ale jednou pozdě večer, když jsem zpracovával referát,
01:50
I really realized my discovery. I have shown
23
85000
4000
jsem si uvědomil svůj objev. Ukázal jsem,
01:54
that Swedish top students know statistically significantly less
24
89000
5000
že nejlepší švédští studenti vědí statisticky významně méně
01:59
about the world than the chimpanzees.
25
94000
2000
o světě než šimpanzi.
02:01
(Laughter)
26
96000
2000
(Smích)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Šimpanz by totiž získal polovinu správných odpovědí, pokud bych mu dal
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
dva banány s nápisy "Srí Lanka" a "Turecko". V polovině případů by měli pravdu.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Studenti tak dobří nebyli. Problém podle mě nespočíval v ignoranci -
02:14
it was preconceived ideas.
30
109000
3000
byly to předsudky.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Provedl jsem také neetickou studii na profesorech institutu Karolinska,
02:21
(Laughter)
32
116000
1000
(Smích)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
který uděluje Nobelovu cenu za medicínu,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
a ti dopadli stejně jako šimpanzi.
02:26
(Laughter)
35
121000
3000
(Smích)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
V ten moment jsem si uvědomil, že je opravdu potřeba komunikovat,
02:33
because the data of what's happening in the world
37
128000
3000
protože data o tom, co se děje ve světě,
02:36
and the child health of every country is very well aware.
38
131000
3000
a o zdraví dětí v každé zemi jsou dobře známá.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Vytvořili jsme software, který data zobrazuje takto: každá bublina představuje jednu zemi.
02:44
This country over here is China. This is India.
40
139000
6000
Tahle země je Čína, tahle Indie.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Velikost bubliny odráží populaci země. Na tuto osu jsem umístil porodnost.
02:56
Because my students, what they said
42
151000
3000
Mí studenti totiž říkali,
02:59
when they looked upon the world, and I asked them,
43
154000
2000
když se dívali na svět a já se jich zeptal:
03:01
"What do you really think about the world?"
44
156000
2000
"Co si doopravdy myslíte o světě?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
No, zjistil jsem, že studovali převážně Tintina.
03:07
(Laughter)
46
162000
1000
(Smích)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Říkali: "Svět je stále rozdělen na 'nás' a na 'ně'.
03:11
And we is Western world and them is Third World."
48
166000
3000
My jsme západní svět, oni jsou třetí svět."
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"A co myslíte tím západním světem?" ptal jsem se.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"No, to je dlouhý život a malá rodina, a třetí svět je krátký život a velká rodina"
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Takže tohle zde můžu zobrazit. Zde jsem dal porodnost - počet dětí na ženu -
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
jedno, dvě, tři, čtyři až osm dětí na ženu.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Od roku 1962, nebo asi od roku 1960, máme velmi podrobná data o velikosti rodin ve všech zemích.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Statistická odchylka je malá. Tady pak ukazuji průměrnou délku života,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
od třiceti let v některých zemích až po sedmdesát.
03:45
And 1962, there was really a group of countries here
56
200000
3000
V roce 1962 tady máme skupinu zemí,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
industrializovaných zemí, ve kterých jsou malé rodiny a dlouhá doba života.
03:53
And these were the developing countries:
58
208000
2000
A tady tyto země byly rozvojové:
03:55
they had large families and they had relatively short lives.
59
210000
3000
byly v nich velké rodiny a žili relativně krátké životy.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
No a co se stalo od roku 1962? Chceme vidět tu změnu.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Mají studenti pravdu? Existují pořád dva typy zemí?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Nebo se v rozvojových zemích zmenšily rodiny a žijí asi tady?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Možná, že žijí déle a nacházejí se tady nahoře...
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Tak se podívejme. Tohle jsou všechno statistiky OSN,
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
které byly dostupné. Jdeme na to. Vidíte?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
To je Čína, která se pohybuje k lepší zdravotní péči, zlepšuje se.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Všechny zelené latinskoamerické země směřují k menším rodinám.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Tyhle žluté jsou arabské státy,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
které mají větší rodiny, ale - ne, delší život, ale ne větší rodiny.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Afričané jsou tihle zelení dole. Pořád tam zůstávají.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Tady máme Indii. Indonésie sebou celkem hnula.
04:36
(Laughter)
72
251000
1000
(Smích)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
V osmdesátých letech je Bangladéš pořád mezi africkými zeměmi.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Ale teď, v osmdesátých letech, se v Bangladéši stal zázrak:
04:43
the imams start to promote family planning.
75
258000
3000
imámové začali prosazovat plánované rodičovství.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Posunují se támhle do rohu. A v devadesátých letech se odehrála hrozná epidemie HIV,
04:51
that takes down the life expectancy of the African countries
77
266000
3000
která stáhla dolů délku života v afrických zemích
04:54
and all the rest of them move up into the corner,
78
269000
4000
a všechny ostatní směřují nahoru do rohu,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
kde máme dlouhé životy v malé rodině, a tak vznikl zcela nový svět.
05:02
(Applause)
80
277000
13000
(Potlesk)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Teď přímo srovnám Spojené státy americké a Vietnam.
05:20
1964: America had small families and long life;
82
295000
5000
V roce 1964 má Amerika malé rodiny a dlouhou dobu života.
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Vietnam má velké rodiny a krátké životy. A stane se následující:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
data z období války ukazují na to, že i přes všechno to zabíjení
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
došlo ke zlepšení průměrné doby života. Ke konci roku
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
byl ve Vietnamu zahájen program plánovaného rodičovství a rodiny se zmenšily.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Spojené státy tam nahoře se propracovávají k delšímu životu
05:44
keeping family size. And in the '80s now,
88
319000
3000
a zachovávají si stejně velké rodiny. V osmdesátých letech
05:47
they give up communist planning and they go for market economy,
89
322000
3000
opouští Vietnam komunistické plánování a volí tržní ekonomiku,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
což vede i k růstu úrovně společenského života. Dnes máme
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
ve Vietnamu stejnou průměrnou délku života a stejně velké rodiny,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
ve Vietnamu v roce 2003, jako v USA v roce 1974, ke konci války.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Myslím, že všichni, pokud nevěnujeme pozornost těmto datům,
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
podceňujeme nesmírné změny v Asii, které spočívaly
06:14
in social change before we saw the economical change.
95
349000
4000
nejdříve ve změnách společenských a až pak v ekonomických.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Podívejme se teď na jiný graf, na kterém můžeme ukázat
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
distribuci příjmů. Toto je rozsah lidských příjmů na celém světě.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
jeden dolar, deset dolarů nebo sto dolarů za den.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Mezi bohatými a chudými neexistuje žádná propast. To je mýtus.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Tady je sice menší hrb, ale jinak jsou lidé rozložení po celé ose.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Když se podíváme, v čích rukách tyto peníze končí -
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
toto je sto procent ročního světového příjmu - a nejbohatších dvacet procent
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
vydělává 74 procent této sumy. A nejchudších dvacet procent
07:01
they take about two percent. And this shows that the concept
104
396000
5000
má pro sebe asi dvě procenta. To ukazuje, že koncept
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
"rozvojových zemí" je velmi pochybný. Přemýšlíme o mezinárodní pomoci jako o
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
pomoci těchto lidí těmto. Ale uprostřed
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
máme většinu světové populace, která vydělává 24 procent celkového světového příjmu.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Už jsme o tom slyšeli. A kdo vlastně jsou ti lidé z tohoto grafu?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Kde jsou všechny různé země? Můžu vám ukázat Afriku.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Tohle je Afrika. Deset procent světové populace, převážně žijících v chudobě.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Tohle je OECD. Bohaté země. Výběrový klub OSN.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
A ti jsou tady na téhle straně. Afrika a OECD se v jednom místě docela překrývají.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Tohle je Latinská Amerika. Je v ní zastoupeno všechno na světě,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
od nejchudších po ty nejbohatší.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Na to všechno můžeme položit východní Evropu, východní Asii
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
a jižní Asii. A jak by to vypadalo, kdybychom se posunuli zpět v čase,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
do doby kolem roku 1970? Tehdy byl ten hrb větší.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
A většina lidí žijících v naprosté chudobě byli Asijci.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Světovým problémem byla chudoba v Asii. A když teď nechám svět běžet dál v čase,
08:14
you will see that while population increase, there are
120
469000
3000
uvidíte, že zatímco populace roste,
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
stovky milionů lidí v Asii se dostávají z chudoby a někteří jiní
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
do ní upadají. To je rozložení, které máme dnes.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Nejoptimističtější předpověď Světové banky říká, že se stane tohle
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
a už nebudeme mít rozdělený svět. Většina lidí bude tady uprostřed.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Zde je samozřejmě logaritmická stupnice,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
ale my vnímáme ekonomii jako procentuálně rostoucí a považujeme
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
za možný růst percentilu. Pokud graf změním, místo
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
rodinného příjmu zadám HDP na obyvatele a změním
08:48
individual data into regional data of gross domestic product,
129
503000
6000
tato individuální data na data regionální,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
přičemž ty regiony umístím sem dolů - velikost bubliny pořád odpovídá populaci.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Takže zde máte OECD, tady subsaharskou Afriku,
09:01
and we take off the Arab states there,
132
516000
3000
také oddělíme arabské státy,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
jak z Afriky, tak z Asie, a umístíme je zvlášť,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
a teď rozšíříme tuto osu, můžu jí přidat další dimenzi,
09:13
by adding the social values there, child survival.
135
528000
3000
přidáním společenských hodnot, dětskou úmrtnost.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Na této ose tedy máme HDP a na této pravděpodobnost přežití dětí.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
V některých zemích se pěti let dožije 99,7 procenta dětí,
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
v jiných pouze 70. Zde už to vypadá, že existuje mezera
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
mezi OECD a Latinskou Amerikou, východní Evropou, východní Asií,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
arabskými státy, jižní Asií a subsaharskou Afrikou.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Vztah mezi dětskou úmrtností a bohatstvím je velmi lineární.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Ale teď subsaharskou Afriku rozdělím. Zde je znázorněno zdraví, zde je lepší zdraví.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Můžu takto rozdělit subsaharskou Afriku na jednotlivé státy.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Když se rozprskne, velikost bublin jednotlivých zemí odpovídá jejich populaci.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Tady dole je Sierra Leone. Mauricius je nahoře. Mauricius byl první zemí,
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
která se zbavila obchodních bariér a mohla prodávat svůj cukr.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Mohli prodávat své látky za stejných podmínek jako lidé z Evropy a Severní Ameriky.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
V rámci Afriky jsou obrovské rozdíly. A Ghana je tady uprostřed.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
V Sierra Leone probíhá humanitární pomoc.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Tady v Ugandě pomoc rozvojová. Zde je čas investovat, sem
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
můžete jet na dovolenou. Opravdu je zde velká variabilita,
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
v rámci Afriky, kterou jen zřídka uznáváme - většinou ji považujeme za stejnorodou.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Můžu teď rozdělit jižní Asii. Indie je ta velká bublina uprostřed.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Všimněte si ale obrovského rozdílu mezi Afghánistánem a Srí Lankou.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Rozdělme arabské státy. Jak jsou na tom ony? Stejné klima, stejná kultura,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
stejné náboženství. Obrovské rozdíly i mezi sousedy.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Jemen - občanská válka. Spojené arabské emiráty - finance, které byly použity rovnoměrně a správně.
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
Tedy ne tak, jak tvrdí mýtus. A to jsou v grafu zahrnuty i děti zahraničních pracovníků, kteří se v dané zemi nachází.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Data bývají mnohdy lepší, než myslíte. Mnoho lidí je považuje za nespolehlivá.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Existuje určitá statistická odchylka, ale můžeme vidět, že rozdíl
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
mezi Kambodžou a Singapurem je daleko větší,
11:11
than the weakness of the data. East Europe:
162
646000
3000
než může být nepřesnost dat. Východní Evropa:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
Po dlouhou dobu zde fungoval sovětský ekonomický model, ale po deseti letech vypadá
11:20
very, very differently. And there is Latin America.
164
655000
3000
velice, velice různorodě. A pak je tu Latinská Amerika.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Dnes už nemusíme jet na Kubu, abychom v Latinské Americe našli zemi s dobrým zdravotnictvím.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Chile bude za několik let mít nižší dětskou úmrtnost než Kuba.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
A tady máme bohaté země OECD.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Dostali jsme tím pádem mozaiku celého světa,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
která vypadá víceméně takto. A když se na ni podíváme,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
jak vypadá - v roce 1960, začne se pohybovat. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Tohle je Mao Ce-Tung. Přinesl do Číny zdraví. Pak zemřel.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Přišel Teng Siao-pching a donesl do Číny peníze, díky kterým se vrátila zpět mezi ostatní země.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Viděli jsme, jak se země pohybují různými směry,
12:02
so it's sort of difficult to get
174
697000
4000
takže je poměrně složité najít
12:06
an example country which shows the pattern of the world.
175
701000
5000
stát, který by ilustroval vývoj celého světa.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Rád bych se teď vrátil zpět do roku 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Srovnám Jižní Koreu, ta je tady, s Brazílií,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
která je zde. Teď mi zmizely popisky... A také porovnám Ugandu,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
ta je tady. Teď nechám běžet čas.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Můžete si všimnout, že Jižní Korea se velmi, velmi rychle zlepšuje,
12:46
whereas Brazil is much slower.
181
741000
3000
zatímco Brazílie je o mnoho pomalejší.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Pokud se zase vrátíme zpět a necháme je dělat stopy,
12:55
you can see again that the speed of development
183
750000
4000
uvidíme, že rychlost vývoje
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
se opravdu liší a že se země pohybují víceméně
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
stejnoměrně, ale zdá se, že se zlepšíte
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
mnohem rychleji, když jste nejdřív zdraví, než když jste nejdřív bohatí.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Abych to na něčem ukázal, zvýrazním cestu Spojených arabských emirátů.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Začali zde - země nerostného bohatství. Zpeněžili všechnu ropu,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
získali dostatek peněz, ale zdraví si nekoupíte v obchodě.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Do zdraví se musí investovat. Musíte dostat děti do škol,
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
připravovat zdravotníky, vzdělat celou populaci.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
A to šejk Sayid zvládl docela dobře.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Navzdory klesajícím cenám ropy svou zemi dostal až sem.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Dostali jsme tedy mnohem stejnorodější vzhled světa,
13:43
where all countries tend to use their money
195
798000
2000
ve kterém se všechny země snaží utrácet své peníze
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
lépe, než tomu bylo v minulosti. Tedy, zhruba to platí,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
když bereme v úvahu průměrná data z těchto zemí. Vypadají takto.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Používat průměrná data je ale nebezpečné, protože
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
v rámci jednotlivých zemí existují velké rozdíly. Když se podíváme sem, uvidíme,
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
že Uganda je dnes tam, kde byla Jižní Korea v roce 1960. Pokud Ugandu rozdělím,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
uvidíme, že vůbec není jednolitá. Tohle jsou kvintily - pětiny - Ugandy.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Nejbohatších 20% Uganďanů je zde.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Nejchudší jsou tady dole. Pokud rozdělím Jihoafrickou republiku, bude to vypadat takto.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Nakonec se podívejme na Niger, ve kterém byl hrozivý hladomor.
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
Rozdělí se takto. Nejchudších dvacet procent Nigeřanů je tady,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
nejbohatších dvacet procent Jihoafričanů zde,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
a přesto tak často diskutujeme o tom, jak vyřešit situaci v Africe.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
V Africe můžeme najít něco ze všeho na světě. A nemůžeme
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
pro zajištění všeobecné dostupnosti léku proti HIV pro tuhle horní pětinu
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
použít stejnou strategii jako pro ty nejchudší. Vývoj světa
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
se musí uvádět v důkladném kontextu, není spolehlivé jej znát jen
15:00
on regional level. We must be much more detailed.
212
875000
3000
na regionální úrovni. Je třeba jít do větších detailů.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Zjistili jsme, že studenti jsou nadšení, když mohou tyto poznatky použít.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
A zákonodárci a privátní sektor by také velmi rádi sledovali,
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
jak se svět mění. Proč tomu tedy tak není?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Proč nevyužíváme dat, která jsou nám k dispozici? Máme data z OSN,
15:20
in the national statistical agencies
217
895000
2000
z národních statistických úřadů,
15:22
and in universities and other non-governmental organizations.
218
897000
4000
z univerzit a z nevládních organizací.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Bohužel jsou ale všechna schována hluboko v databázích
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
a pořád je nevyužíváme efektivně. Znázorníme si zde veřejnost a internet.
15:33
All that information we saw changing in the world
221
908000
3000
Žádné z údajů, které se tu před chvílí míhaly,
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
nepocházely ze statistik financovaných z veřejných zdrojů. Existují nějaké internetové stránky
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
které takové údaje obsahují, které čerpají informace z těchto databází,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
ale lidi na ně lepí cenovky, hloupá hesla a nudné statistiky.
15:51
(Laughter) (Applause)
225
926000
3000
(Smích) (Potlesk)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
A tohle nebude fungovat. Co je tedy potřeba? Databáze máme.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Nepotřebujeme tedy nové. Máme úžasné návrhářské nástroje
16:02
and more and more are added up here. So we started
228
937000
3000
a neustále jsou vyvíjeny nové. Založili jsme tedy
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
neziskový podnik, který spojuje data a design,
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
a nazvali jsme jej Gapminder, podle londýnského metra, kde vás varují
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
abyste "dali pozor na mezeru" (Mind the gap).
16:16
And we started to write software which could link the data like this.
232
951000
4000
Začali jsme psát program, který by mohl data prezentovat tímto způsobem.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Nebylo to tak těžké - za pár let práce jsme vytvořili animace.
16:26
You can take a data set and put it there.
234
961000
2000
Můžete vzít sadu dat a vložit ji sem.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Uvolňujeme data OSN, z několika jejich organizací.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Některé země souhlasí s uveřejněním svých databází,
16:37
but what we really need is, of course, a search function.
237
972000
3000
ale doopravdy potřebujeme pochopitelně hlavně vyhledávací funkci.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Vyhledávací funkci, pomocí které můžeme data převést do vyhledávatelného formátu
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
a dostat je do světa. A co nám na to říkají ostatní?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Udělal jsem si malý průzkum mezi hlavními statistickými databázemi. Každý říká:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"Je to nemožné. Tohle se udělat nedá. Naše informace jsou specifické
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
v mnohých detailech a nemohou být vyhledávány stejným nástrojem jako ostatní.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Nemůžeme je zdarma uvolnit pro studenty ani pro podnikatele po celém světě."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Ale přesně tohle bychom chtěli, nebo ne?
17:08
The publicly-funded data is down here.
245
1003000
3000
Data získaná za veřejné peníze jsou tady dole,
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
a chtěli bychom, aby z internetu rostly tyto květiny.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Jeden z klíčových bodů je pak umožnit vyhledávání v datech, načež budou lidé moci použít
17:19
the different design tool to animate it there.
248
1014000
2000
nějaký jiný designový nástroj k jejich animaci.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
A mám pro vás celkem dobré zprávy. Současný
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
šéf Statistické divize OSN neříká, že to je nemožné.
17:30
He only says, "We can't do it."
251
1025000
2000
Říká jen: "My to nezvládneme."
17:32
(Laughter)
252
1027000
4000
(Smích)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
A to je to celkem chytrý chlap, hm?
17:38
(Laughter)
254
1033000
2000
(Smích)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Takže vidíme, že v oblasti dat se toho v následujících letech bude dít hodně.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Budeme se moci podívat na rozdělení příjmů zcela novými způsoby.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Toto je distribuce příjmů v Číně v roce 1970,
17:54
the income distribution of the United States, 1970.
258
1049000
5000
toto distribuce příjmů ve Spojených státech v roce 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Téměř žádné překrytí. A co se stalo potom?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Stalo se tohle: Čína roste, už není tak stejnorodá,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
a objevuje se tady, odkud shlíží na USA.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Skoro jako duch, že?
18:14
(Laughter)
263
1069000
2000
(Smích)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Je to docela strašidelné. Ale myslím si, že je velmi důležité mít k dispozici všechny tyto informace.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Potřebujeme je znát. A místo sledování těchto údajů
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
bych chtěl skončit předvedením počtu uživatelů internetu na 1000 obyvatel.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
V tomto softwaru máme snadný přístup k asi pěti stům proměnným ze všech zemí.
18:42
It takes some time to change for this,
268
1097000
4000
Chvilku zabere, než to všechno změním,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
ale na osách si lehce nastavíte jakoukoli proměnnou budete chtít.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
A teď jen zpřístupnit zdarma všechny databáze,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
umožnit v nich vyhledávání a dalším kliknutím je převést
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
do grafického formátu, ve kterém jim okamžitě porozumíte.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Statistikové to sice nemají rádi, říkají, že to pak
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
nezobrazuje realitu a že musíme používat statistické analytické metody.
19:16
But this is hypothesis-generating.
275
1131000
3000
Ale to je věc diskuze.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Skončím pohledem na svět. Internet právě přichází.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Počet uživatelů internetu stoupá. Toto je HDP na obyvatele.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Je to nová technologie, ale překvapivě dobře zapadá
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
do ekonomik jednotlivých zemí. Proto je tak důležitý
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
počítač za sto dolarů. Ale tendence to je pěkná.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Jako by se svět zplošťoval, že? Tyto země
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
se zvedají nejen ekonomicky a bude velmi zajímavé
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
to přes rok sledovat, což snad budete moci dělat
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
s pomocí všech těch veřejných dat. Mnohokrát vám děkuji.
19:53
(Applause)
285
1168000
3000
(Potlesk)
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