TED2006
Hans Rosling: The best stats you've ever seen
Χανς Ρόσλινγκ: Οι καλύτερες στατιστικές που έχετε δει ποτέ
Filmed:
Readability: 3.6
14,386,844 views
Ποτέ δεν έχετε δει δεδομένα παρουσιασμένα έτσι. Με τον θεατρινισμό και την βιασύνη ενός αθλητικού ρεπόρτερ, ο γκουρού της στατιστικής Χανς Ρόσλινγκ καταρίπτει τους μύθους για τον λεγόμενο «αναπτυσόμενο κόσμο».
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
Πριν από περίπου 10 χρόνια, ανέλαβα
την ευθύνη να διδάξω παγκόσμια ανάπτυξη
την ευθύνη να διδάξω παγκόσμια ανάπτυξη
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
σε Σουηδούς προπτυχιακούς φοιτητές.
Αυτό ήταν αφού είχα περάσει
Αυτό ήταν αφού είχα περάσει
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
περίπου 20 χρόνια με Αφρικανικά ιδρύματα
μελετώντας την πείνα στην Αφρική,
μελετώντας την πείνα στην Αφρική,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
κι επομένως υποτίθεται
ότι ήξερα λιγα πράγματα για τον κόσμο.
ότι ήξερα λιγα πράγματα για τον κόσμο.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Και ξεκίνησα στο ιατρικό πανεπιστήμιό μας,
το Ινστιτούτο Καρολίνσκα,
το Ινστιτούτο Καρολίνσκα,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
ένα προπτυχιακό μάθημα που λεγόταν
Παγκόσμια Υγεία. Αλλά όταν σου δοθεί
Παγκόσμια Υγεία. Αλλά όταν σου δοθεί
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
αυτή η ευκαιρία, ανυσηχείς λιγάκι.
Σκέφτηκα ότι, αυτοί οι φοιτητές
Σκέφτηκα ότι, αυτοί οι φοιτητές
00:53
coming to us actually have the highest grade you can get
7
28000
3000
που έρχονται σε μας έχουν
τους υψηλότερους δυνατούς βαθμούς
τους υψηλότερους δυνατούς βαθμούς
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
στο Σουηδικό πανεπιστημιακό σύστημα
- άρα ίσως ξέρουν όλα όσα
- άρα ίσως ξέρουν όλα όσα
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
πρόκειται να τους διδάξω. Έτσι
έκανα ένα προκαταρκτικό τεστ όταν ήρθαν.
έκανα ένα προκαταρκτικό τεστ όταν ήρθαν.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Και μια από τις ερωτήσεις
που μου έμαθε πολλά ήταν η εξής:
που μου έμαθε πολλά ήταν η εξής:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
«Ποια χώρα έχει τη μεγαλύτερη παιδική
θνησιμότητα από αυτά τα πέντε ζευγάρια;»
θνησιμότητα από αυτά τα πέντε ζευγάρια;»
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Και τις τοποθέτησα έτσι
ώστε σε κάθε ζευγάρι χωρών,
ώστε σε κάθε ζευγάρι χωρών,
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
η μία είχε τη διπλάσια παιδική θνησιμότητα
από την άλλη. Κι αυτό σημαίνει ότι
από την άλλη. Κι αυτό σημαίνει ότι
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
η διαφορά είναι πολύ μεγαλύτερη
από την αβεβαιότητα στα δεδομένα.
από την αβεβαιότητα στα δεδομένα.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Δεν θα σας κάνω τεστ εδώ,
αλλά είναι η Τουρκία,
αλλά είναι η Τουρκία,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
που είναι υψηλότερα εκεί, η Πολωνία,
η Ρωσία, το Πακιστάν και η Νότια Αφρική.
η Ρωσία, το Πακιστάν και η Νότια Αφρική.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Αυτά ήταν τα αποτελέσματα των Σουηδών
φοιτητών. Τα έβαλα ώστε να πάρω
φοιτητών. Τα έβαλα ώστε να πάρω
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
το διάστημα εμπιστοσύνης,
που είναι πολύ στενό, και ευχαριστήθηκα,
που είναι πολύ στενό, και ευχαριστήθηκα,
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
φυσικά: 1,8 σωστές απαντήσεις στις 5.
Αυτό σημαίνει ότι
Αυτό σημαίνει ότι
01:41
there was a place for a professor of international health --
20
76000
3000
υπήρχε θέση για έναν καθηγητή
της διεθνούς υγείας -
της διεθνούς υγείας -
01:44
(Laughter) and for my course.
21
79000
2000
(Γέλια)
και για το μάθημά μου.
και για το μάθημά μου.
01:46
But one late night, when I was compiling the report
22
81000
4000
Αλλά αργά ένα βράδυ,
όταν έγραφα την αναφορά
όταν έγραφα την αναφορά
01:50
I really realized my discovery. I have shown
23
85000
4000
συνειδητοποίησα πραγματικά
την ανακάλυψή μου. Έδειξα
την ανακάλυψή μου. Έδειξα
01:54
that Swedish top students know statistically significantly less
24
89000
5000
ότι οι καλύτεροι Σουηδοί φοιτητές
ξέρουν στατιστικώς σημαντικά λιγότερα
ξέρουν στατιστικώς σημαντικά λιγότερα
01:59
about the world than the chimpanzees.
25
94000
2000
για τον κόσμο απ' ότι οι χιμπατζήδες.
02:01
(Laughter)
26
96000
2000
(Γέλια)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Γιατί οι χιμπατζήδες θα έπιαναν
τα μισά σωστά αν τους έδινα
τα μισά σωστά αν τους έδινα
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
δυο μπανάνες με την Σρι Λάνκα και την
Τουρκία. Θα είχαν δίκιο τις μισές φορές.
Τουρκία. Θα είχαν δίκιο τις μισές φορές.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Αλλά οι φοιτητές δεν έπιασαν τις μισές.
Το πρόβλημα για μένα δεν ήταν η άγνοια:
Το πρόβλημα για μένα δεν ήταν η άγνοια:
02:14
it was preconceived ideas.
30
109000
3000
ήταν οι προϋπάρχουσες απόψεις.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Έκανα επίσης μια μη ήθικη μελέτη
στους καθηγητές του Ινστιτούτου Καρολίνσκα
στους καθηγητές του Ινστιτούτου Καρολίνσκα
02:21
(Laughter)
32
116000
1000
(Γέλια)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
- που απονέμει το Βραβείο Νόμπελ Ιατρικής,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
και είναι ισάξιοι
με τους χιμπατζήδες εκεί.
με τους χιμπατζήδες εκεί.
02:26
(Laughter)
35
121000
3000
(Γέλια)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Σ' αυτό το σημείο συνειδητοποίησα ότι
υπήρχε πραγματικά ανάγκη να επικοινωνήσω,
υπήρχε πραγματικά ανάγκη να επικοινωνήσω,
02:33
because the data of what's happening in the world
37
128000
3000
επειδή τα δεδομένα
για το τι συμβαίνει στον κόσμο
για το τι συμβαίνει στον κόσμο
02:36
and the child health of every country is very well aware.
38
131000
3000
και η παιδική υγεία κάθε χώρας
είναι πάρα πολύ γνωστά.
είναι πάρα πολύ γνωστά.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Το λογισμικό που φτιάξαμε τα παρουσιάζει
ως εξής: κάθε φούσκα εδώ είναι μια χώρα.
ως εξής: κάθε φούσκα εδώ είναι μια χώρα.
02:44
This country over here is China. This is India.
40
139000
6000
Αυτή εδώ η χώρα είναι η Κίνα.
Αυτή είναι η Ινδία.
Αυτή είναι η Ινδία.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Το μέγεθος της φούσκας είναι ο πληθυσμός,
και στον άξονα αυτόν έβαλα τη γονιμότητα.
και στον άξονα αυτόν έβαλα τη γονιμότητα.
02:56
Because my students, what they said
42
151000
3000
Γιατί οι φοιτητές μου, αυτό που είπαν
02:59
when they looked upon the world, and I asked them,
43
154000
2000
όταν έβλεπαν τον κόσμο, και τους ρώτησα,
03:01
"What do you really think about the world?"
44
156000
2000
«Τι πραγματικά νομίζετε για τον κόσμο;»
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Αρχικά λοιπόν ανακάλυψα ότι το σύγγραμμα
ήταν, ως επί το πλέιστον, ο Τεν Τεν.
ήταν, ως επί το πλέιστον, ο Τεν Τεν.
03:07
(Laughter)
46
162000
1000
(Γέλια)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Και απάντησαν, «Ο Κόσμος
είναι ακόμη 'εμείς' κι 'εκείνοι'.
είναι ακόμη 'εμείς' κι 'εκείνοι'.
03:11
And we is Western world and them is Third World."
48
166000
3000
Κι εμείς είναι ο Δυτικός κόσμος
κι εκείνοι είναι ο Τρίτος κόσμος».
κι εκείνοι είναι ο Τρίτος κόσμος».
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
«Και τι εννοείτε
με το Δυτικός κόσμος;», ρώτησα.
με το Δυτικός κόσμος;», ρώτησα.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
«Είναι μακρά ζωή και μικρή οικογένεια, Τρίτος
κόσμος είναι μικρή ζωή, μεγάλη οικογένεια.»
κόσμος είναι μικρή ζωή, μεγάλη οικογένεια.»
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Λοιπόν αυτό μπορώ να παρουσιάσω εδώ.
Η γονιμότητα είναι εδώ: αριθμός παιδιών ανά γυναίκα,
Η γονιμότητα είναι εδώ: αριθμός παιδιών ανά γυναίκα,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
ένα, δύο, τρία, τέσσερα,
μέχρι περίπου οκτώ παιδιά ανά γυναίκα.
μέχρι περίπου οκτώ παιδιά ανά γυναίκα.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Έχουμε καλά δεδομένα από το 1962, 1960
για το μέγεθος των οικογενειών σε όλες τις χώρες.
για το μέγεθος των οικογενειών σε όλες τις χώρες.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Το περιθώριο λάθους είναι μικρό.
Εδώ έβαλα το προσδόκιμο ζωής στη γέννηση,
Εδώ έβαλα το προσδόκιμο ζωής στη γέννηση,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
από 30 χρόνια σε μερικές χώρες
μέχρι περίπου 70 χρόνια.
μέχρι περίπου 70 χρόνια.
03:45
And 1962, there was really a group of countries here
56
200000
3000
Και το 1962, υπήρχε πραγματικά
μια ομάδα χωρών εδώ,
μια ομάδα χωρών εδώ,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
που ήταν βιομηχανικές χώρες,
με είχαν μικρές οικογένειες και μακρά ζωή.
με είχαν μικρές οικογένειες και μακρά ζωή.
03:53
And these were the developing countries:
58
208000
2000
Και αυτές ήταν οι αναπτυσσόμενες χώρες:
03:55
they had large families and they had relatively short lives.
59
210000
3000
είχαν μεγάλες οικογένειες
και είχαν σχετικά σύντομη ζωή.
και είχαν σχετικά σύντομη ζωή.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Τώρα, τι έχει συμβεί από το 1962;
Θέλουμε να δούμε την αλλαγή.
Θέλουμε να δούμε την αλλαγή.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Έχουν δίκιο οι φοιτητές;
Είναι ακόμα δύο ειδών χώρες;
Είναι ακόμα δύο ειδών χώρες;
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Ή έχουν αυτές οι αναπτυσσόμενες χώρες
μικρότερες οικογένειες και ζούν εδώ;
μικρότερες οικογένειες και ζούν εδώ;
04:09
Or have they got longer lives and live up there?
63
224000
2000
Ή έχουν μακρύτερες ζωές
και ζούν εκεί πάνω;
και ζούν εκεί πάνω;
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Για να δούμε. Σταματήσαμε τον κόσμο τότε.
Αυτά είναι όλα στατιστικές του Ο.Η.Ε.
Αυτά είναι όλα στατιστικές του Ο.Η.Ε.
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
που ήταν διαθέσιμες. Πάμε. Βλέπετε εδώ;
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Είναι η Κίνα, κινείται ενάντια στην
καλύτερη υγεία εκεί, βελτιώνεται εκεί.
καλύτερη υγεία εκεί, βελτιώνεται εκεί.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Όλες οι πράσινες Λατινοαμερικανικές χώρες
κινούνται προς μικρότερες οικογένειες.
κινούνται προς μικρότερες οικογένειες.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Οι κίτρινες εδώ
είναι οι Αραβικές χώρες σας,
είναι οι Αραβικές χώρες σας,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
και αποκτούν μεγαλύτερες οικογένειες, αλλα - όχι,
μακρύτερη ζωή, αλλά όχι μεγαλύτερες οικογένειες.
μακρύτερη ζωή, αλλά όχι μεγαλύτερες οικογένειες.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Οι Αφρικανοί είναι οι πράσινοι εδώ κάτω.
Παραμένουν ακόμα εδώ.
Παραμένουν ακόμα εδώ.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Αυτή είναι η Ινδία.
Η Ινδονησία προχωράει αρκετα γρήγορα.
Η Ινδονησία προχωράει αρκετα γρήγορα.
04:36
(Laughter)
72
251000
1000
(Γέλια)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
Τη δεκαετία του '80, έχουμε το Μπανγκλαντές
ακόμα ανάμεσα στις Αφρικανικές χώρες εκεί.
ακόμα ανάμεσα στις Αφρικανικές χώρες εκεί.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Αλλά τώρα, το Μπανγκλαντές - είναι ένα
θαύμα που συμβαίνει τη δεκαετία του '80:
θαύμα που συμβαίνει τη δεκαετία του '80:
04:43
the imams start to promote family planning.
75
258000
3000
οι ιμάμηδες αρχίζουν να προωθούν
τον οικογενειακό προγραμματισμό.
τον οικογενειακό προγραμματισμό.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Ανεβαίνουν σ' αυτή τη γωνία. Τη δεκαετία
του '90, έχουμε τη φοβερή επιδημία του HIV
του '90, έχουμε τη φοβερή επιδημία του HIV
04:51
that takes down the life expectancy of the African countries
77
266000
3000
που ρίχνει το προσδόκιμο ζωής
των Αφρικανικών χωρών
των Αφρικανικών χωρών
04:54
and all the rest of them move up into the corner,
78
269000
4000
και όλες οι υπόλοιπες
ανεβαίνουν στη γωνία,
ανεβαίνουν στη γωνία,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
όπου έχουμε μακροβιότητα και μικρές
οικογένειες, έναν εντελώς καινούριο κόσμο.
οικογένειες, έναν εντελώς καινούριο κόσμο.
05:02
(Applause)
80
277000
13000
(Χειροκρότημα)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Ας κάνω μια άμεση σύγκριση ανάμεσα
στις Ηνωμένες Πολιτείες και το Βιετνάμ.
στις Ηνωμένες Πολιτείες και το Βιετνάμ.
05:20
1964: America had small families and long life;
82
295000
5000
1964: Η Αμερική είχε μικρές οικογένειες
και μακρά ζωή.
και μακρά ζωή.
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Το Βιετνάμ είχε μεγάλες οικογένειες
και σύντομες ζωές. Και συμβαίνει αυτό:
και σύντομες ζωές. Και συμβαίνει αυτό:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
τα δεδομένα κατά τη διάρκεια του πολέμου
δείχνουν ότι ακόμα και με όλους τους θανάτους,
δείχνουν ότι ακόμα και με όλους τους θανάτους,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
υπήρχε βελτίωση του προσδόκιμου ζωής.
Μέχρι το τέλος του χρόνου,
Μέχρι το τέλος του χρόνου,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
ο οικογενειακός προγραμματισμός άρχισε στο Βιετνάμ
και προχώρησαν προς μικρότερες οικογένειες.
και προχώρησαν προς μικρότερες οικογένειες.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Και οι Ηνωμένες Πολιτείες
εκεί πάνω οδεύουν προς μακρότερη ζωή,
εκεί πάνω οδεύουν προς μακρότερη ζωή,
05:44
keeping family size. And in the '80s now,
88
319000
3000
διατηρώντας το μέγεθος της οικογένειας.
Και στη δεκαετία του '80 τώρα,
Και στη δεκαετία του '80 τώρα,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
εγκαταλείπουν τον κομμουνιστικό σχεδιασμό
και πάνε προς την οικονομία της αγοράς,
και πάνε προς την οικονομία της αγοράς,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
κα κινείται ταχύτερα ακόμα κι
από την κοινωνική ζωή. Και σήμερα, έχουμε
από την κοινωνική ζωή. Και σήμερα, έχουμε
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
στο Βιετνάμ το ίδιο προσδόκιμο ζωής
και το ίδιο μέγεθος οικογένειας
και το ίδιο μέγεθος οικογένειας
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
εδώ στο Βιετνάμ, 2003, όπως στις Η.Π.Α.,
1974, από το τέλος του πολέμου.
1974, από το τέλος του πολέμου.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Νομίζω όλοι μας
- αν δεν κοιτάξουμε τα δεδομένα -
- αν δεν κοιτάξουμε τα δεδομένα -
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
υποεκτιμούμε την τεράστια αλλαγή
στην Ασία, η οποία ήταν
στην Ασία, η οποία ήταν
06:14
in social change before we saw the economical change.
95
349000
4000
σε κοινωνική αλλαγή
πριν δούμε την οικονομική αλλαγή.
πριν δούμε την οικονομική αλλαγή.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Ας πάμε εδώ σε έναν άλλο τρόπο
με τον οποίο μπορούμε να παρουσιάσουμε
με τον οποίο μπορούμε να παρουσιάσουμε
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
την κατανομή του εισοδήματος στον κόσμο.
Αυτή είναι η παγκόσμια κατανομή εισοδήματος των ανθρώπων.
Αυτή είναι η παγκόσμια κατανομή εισοδήματος των ανθρώπων.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Ένα δολάριο, 10 δολάρια
ή 100 δολάρια την ημέρα.
ή 100 δολάρια την ημέρα.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Δεν υπάρχει πια χάσμα μεταξύ
πλούσιων και φτωχών. Είναι ένας μύθος.
πλούσιων και φτωχών. Είναι ένας μύθος.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Υπάρχει μια μικρή καμπούρα εδώ.
Αλλά υπάρχουν άνθρωποι μέχρι πέρα.
Αλλά υπάρχουν άνθρωποι μέχρι πέρα.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Και αν κοιτάξουμε που καταλήγει το εισόδημα
- το εισόδημα -
- το εισόδημα -
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
αυτό είναι το 100% του παγκόσμιου ετήσιου
εισοδήματος. Και το πλουσιότερο 20%,
εισοδήματος. Και το πλουσιότερο 20%,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
παίρνουν περίπου το 74% απ' αυτό.
Και το φτωχότερο 20 τοις εκατό,
Και το φτωχότερο 20 τοις εκατό,
07:01
they take about two percent. And this shows that the concept
104
396000
5000
παίρνουν περίπου δύο τοις εκατο.
Και αυτό δειχνεί ότι η ιδέα
Και αυτό δειχνεί ότι η ιδέα
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
των αναπτυσόμενων χωρών είναι εξαιρετικά
αμφίβολη. Σκεφτόμαστε για την αρωγή, σαν
αμφίβολη. Σκεφτόμαστε για την αρωγή, σαν
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
αυτοί οι άνθρωποι εδώ να δίνουν βοήθεια
σ' αυτούς τους ανθρώπους εδώ. Αλλά στο μέσο
σ' αυτούς τους ανθρώπους εδώ. Αλλά στο μέσο
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
έχουμε την πλειοψηφία του παγκόσμιου πληθυσμού,
και αυτοί έχουν τώρα το 24% του εισοδήματος.
και αυτοί έχουν τώρα το 24% του εισοδήματος.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Το ακούσαμε με άλλους τρόπους.
Και ποιοι είνα αυτοί;
Και ποιοι είνα αυτοί;
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Που είναι οι διάφορες χώρες;
Μπορώ να σας δείξω την Αφρική.
Μπορώ να σας δείξω την Αφρική.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Αυτή είναι η Αφρική. 10 τοις εκατό του
παγκόσμιου πληθυσμού, οι περισσότεροι φτωχοί.
παγκόσμιου πληθυσμού, οι περισσότεροι φτωχοί.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Αυτός είναι ο ΟΟΣΑ.
Οι πλούσιες χώρες. Οι πλούσιοι του Ο.Η.Ε.
Οι πλούσιες χώρες. Οι πλούσιοι του Ο.Η.Ε.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Βρίσκονται εδώ σ' αυτή την πλευρά. Αρκετή
επικάλυψη ανάμεσα στην Αφρική και τον ΟΟΣΑ.
επικάλυψη ανάμεσα στην Αφρική και τον ΟΟΣΑ.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Και αυτή είναι η Λατινική Αμερική.
Έχει τα πάντα στη Γη,
Έχει τα πάντα στη Γη,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
από τους φτωχότερους μέχρι
τους πλουσιότερους, στην Λατινική Αμερική.
τους πλουσιότερους, στην Λατινική Αμερική.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Επιπλέον, μπορούμε να βάλουμε
την Ανατολική Ευρώπη, την Ανατολική Ασία,
την Ανατολική Ευρώπη, την Ανατολική Ασία,
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
και βάζουμε την Νότια Ασία.
Και πως ήταν αν πάμε πίσω στο χρόνο,
Και πως ήταν αν πάμε πίσω στο χρόνο,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
στο 1970 περίπου;
Τότε υπήρχε μια μεγαλύτερη καμπούρα.
Τότε υπήρχε μια μεγαλύτερη καμπούρα.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Και έχουμε τους περισσότερους που ζούσαν
σε απόλυτη φτώχια να είναι Ασιάτες.
σε απόλυτη φτώχια να είναι Ασιάτες.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Το πρόβλημα στον κόσμο ήταν η φτώχια στην Ασία.
Και αν τώρα αφήσω τον κόσμο να προχωρήσει,
Και αν τώρα αφήσω τον κόσμο να προχωρήσει,
08:14
you will see that while population increase, there are
120
469000
3000
θα δείτε ότι ενώ ο πληθυσμός αυξάνεται,
υπάρχουν
υπάρχουν
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
εκατοντάδες εκατομμύρια στην Ασία που
βγαίνουν από τη φτώχια και μερικοί άλλοι
βγαίνουν από τη φτώχια και μερικοί άλλοι
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
που μπαίνουν στη φτώχια, και
αυτό είναι το προφίλ που έχουμε σήμερα.
αυτό είναι το προφίλ που έχουμε σήμερα.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Και η καλύτερη πρόβλεψη από την Παγκόσμια
Τράπεζα είναι ότι αυτό θα συμβεί,
Τράπεζα είναι ότι αυτό θα συμβεί,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
και δεν θα έχουμε έναν διχασμένο κόσμο.
Θα έχουμε τους περισσότερους ανθρώπους στο μέσο.
Θα έχουμε τους περισσότερους ανθρώπους στο μέσο.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Φυσικά η κλίμακα εδώ είναι λογαριθμική,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
αλλά η ιδέα μας για την οικονομία
είναι επί τοις εκατό ανάπτυξη. Το βλέπουμε
είναι επί τοις εκατό ανάπτυξη. Το βλέπουμε
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
σαν μια δυνατότητα ποσοστιαίας αύξησης.
Αν αλλάξω αυτό, και πάρω
Αν αλλάξω αυτό, και πάρω
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
κατά κεφαλή ΑΕΠ αντί για οικογενειακό εισόδημα,
και μετατρέψω αυτά
και μετατρέψω αυτά
08:48
individual data into regional data of gross domestic product,
129
503000
6000
τα ατομικά δεδομένα σε περιφερειακά
δεδομένα ακαθάριστου εγχώριου προϊόντος,
δεδομένα ακαθάριστου εγχώριου προϊόντος,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
και πάρω τις περιφέρειες εδώ κάτω,
το μέγεθος της φούσκας είναι ακόμα ο πληθυσμός.
το μέγεθος της φούσκας είναι ακόμα ο πληθυσμός.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Και έχεις τον ΟΟΣΑ εκεί,
και την υπο-Σαχάρια Αφρική εκεί,
και την υπο-Σαχάρια Αφρική εκεί,
09:01
and we take off the Arab states there,
132
516000
3000
και αφαιρούμε τα Αραβικά κράτη εκεί,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
προερχόμενα τόσο από την Αφρική όσο
και από την Ασία, και τα βάζουμε ξεχωριστά,
και από την Ασία, και τα βάζουμε ξεχωριστά,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
και μπορούμε να διευρύνουμε αυτόν τον άξονα,
και μπορώ να του δώσω μια νέα διάσταση εδώ,
και μπορώ να του δώσω μια νέα διάσταση εδώ,
09:13
by adding the social values there, child survival.
135
528000
3000
με το να προσθέσω τις κοινωνικές αξίες
εκεί, παιδική επιβίωση.
εκεί, παιδική επιβίωση.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Τώρα έχω το χρήμα σ' αυτόν τον άξονα,
και έχω τη δυνατότητα των παιδιών να επιβιώσουν εκεί.
και έχω τη δυνατότητα των παιδιών να επιβιώσουν εκεί.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
Σε μερικές χώρες, το 99.7% των παιδιών
επιβιώνουν μέχρι την ηλικία των 5 ετών,
επιβιώνουν μέχρι την ηλικία των 5 ετών,
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
σε άλλες, μόνο 70.
Και εδώ φαίνεται να υπάρχει ένα κενό
Και εδώ φαίνεται να υπάρχει ένα κενό
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
ανάμεσα στον ΟΟΣΑ, τη Λατινική Αμερική,
την Ανατολική Ευρώπη, την Ανατολική Ασία,
την Ανατολική Ευρώπη, την Ανατολική Ασία,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
τις Αραβικές χώρες, την Νότια Ασία
και την υπο-Σαχάρια Αφρική.
και την υπο-Σαχάρια Αφρική.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Η γραμμικότητα είναι πολύ ισχυρή ανάμεσα
στην παιδική επιβίωση και το χρήμα.
στην παιδική επιβίωση και το χρήμα.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Αλλά ας χωρίσω την υπο-Σαχάρια Αφρική.
Η υγεία είναι εκέι και καλύτερη υγεία είναι εκεί πάνω.
Η υγεία είναι εκέι και καλύτερη υγεία είναι εκεί πάνω.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Μπορώ να έρθω εδώ και να χωρίσω
την υπο-Σαχάρια Αφρική στις χώρες της.
την υπο-Σαχάρια Αφρική στις χώρες της.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Και όταν ανοίξει, το μέγεθος της φούσκας
της χώρας είναι το μέγεθος του πληθυσμού.
της χώρας είναι το μέγεθος του πληθυσμού.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Η Σιέρρα Λεόνε εκεί κάτω. Ο Μαυρίκιος
εκεί πάνω. Ο Μαυρίκιος ήταν η πρώτη χώρα
εκεί πάνω. Ο Μαυρίκιος ήταν η πρώτη χώρα
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
που απέφυγε τους εμπορικούς φραγμούς,
και μπορούσαν να πουλούν τη ζάχαρή τους.
και μπορούσαν να πουλούν τη ζάχαρή τους.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Μπορούσαν να πουλούν τα υφάσματά τους σε ίσους όρους με τους ανθρώπους στην Ευρώπη και τη Βόρεια Αμερική.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Υπάρχει τεράστια διαφορά μέσα στην Αφρική. Και η Γκάνα είναι εδώ στη μέση.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
Στη Σιέρρα Λεόνε, ανθρωπιστική βοήθεια.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Εδώ στην Ουγκάντα, ανθρωπιστική βοήθεια. Εδώ, ώρα να επενδύσεις, εκεί,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
μπορείς να πας διακοπές. Είναι μια φοβερή ποικιλία
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
μέσα στην Αφρική που σπάνια καταλαβαίνουμε - ότι είναι όλα ίσα.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Μπορώ να χωρίσω τη Νότια Ασία εδώ. Η Ινδία είναι η μεγάλη φούσκα στη μέση.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Αλλά μια τεράστια διαφορά ανάμεσα στο Αφγανιστάν και τη Σρι Λάνκα.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Μπορώ να χωρίσω τα Αραβικά κράτη. Πως είναι; Ίδιο κλίμα, ίδια κουλτούρα,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
ίδια περιοχή. Τεράστια διαφορά. Ακόμη και μεταξύ γειτόνων.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Υεμένη, εμφύλιος. Ηνωμένα Αραβικά Εμιράτα, χρήμα που χρησιμοποιήθηκε ίσα και σωστά.
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
Όχι όπως είναι ο μύθος. Και αυτό συμπεριλαμβάνει όλα τα παιδιά των ξένων εργαζομένων που βρίσκονται στη χώρα.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Τα δεδομένα είναι συχνά καλύτερα απ' ό,τι νομίζει κανείς. Πολλοί λένε ότι τα δεδομένα είναι κακά.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Υπάρχει εύρος αβεβαιότητας, αλλά μπορούμε να δούμε τη διαφορά εδώ:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Καμπότζη, Σιγκαπούρη. Οι διαφορές είναι πολύ μεγαλύτερες
11:11
than the weakness of the data. East Europe:
162
646000
3000
από την ασθενικότητα των δεδομένων. Ανατολική Ευρώπη:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
Σοβιετική οικονομία για μεγάλο διάστημα, αλλά αναδύονται μετά από δέκα χρόνια
11:20
very, very differently. And there is Latin America.
164
655000
3000
πολύ, πολύ διαφορετικά. Και εκεί είναι η Λατινική Αμερική.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Σήμερα, δεν χρειάζεται να πάμε στην Κούβα για να βρούμε μια υγειή χώρα στην Λατινική Αμερική.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Η Χιλή θα έχει χαμηλότερη παιδική θνησιμότητα απο την Κούβα σε μερικά χρόνια από τώρα.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Και εδώ έχουμε χώρες του ΟΟΣΑ με υψηλό εισόδημα.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Και παίρνουμε όλο το φάσμα του κόσμου εδώ,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
που είναι πάνω-κάτω έτσι. Και αν το κοιτάξουμε,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
πως φαίνεται - ο κόσμος, το 1960, αρχίζει να κινείται. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Εδώ είναι ο Μάο Τσετούνγκ. Έφερε υγεία στην Κίνα. Και μετά πέθανε.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Και ύστερα ο Ντενγκ Ξιαοπένγκ ήρθε κι έφερε χρήμα στην Κίνα, και τους επανέφερε στο προσκήνιο.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Και έχουμε δει πως χώρες κινούνται προς διαφορετικές κατευθύνσεις έτσι,
12:02
so it's sort of difficult to get
174
697000
4000
κι έτσι είναι δύσκολο να βρεις
12:06
an example country which shows the pattern of the world.
175
701000
5000
μια χώρα-παράδειγμα που να δείχνει την τάση του κόσμου.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Θα ήθελα να σας φέρω
εδώ πίσω, περίπου στο 1960.
εδώ πίσω, περίπου στο 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Θα ήθελα να συγκρίνω την Νότια Κορέα,
που είναι αυτή εδώ, με τη Βραζιλία,
που είναι αυτή εδώ, με τη Βραζιλία,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
που είναι αυτή. Εδώ μου έφυγε η ταμπέλα.
Και θα ήθελα να συγκρίνω την Ουγκάντα,
Και θα ήθελα να συγκρίνω την Ουγκάντα,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
που είναι εκεί. Και μπορώ
να το τρέξω προς τα εμπρός, έτσι.
να το τρέξω προς τα εμπρός, έτσι.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Και μπορείτε να δείτε πώς η Νότια Κορέα
κάνει μια πολύ, πολύ γρήγορη πρόοδο,
κάνει μια πολύ, πολύ γρήγορη πρόοδο,
12:46
whereas Brazil is much slower.
181
741000
3000
ενώ η Βραζιλία είναι πολύ πιο αργή.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Και αν πάμε πάλι πίσω,
εδώ, και τους βάλουμε ίχνη, έτσι,
εδώ, και τους βάλουμε ίχνη, έτσι,
12:55
you can see again that the speed of development
183
750000
4000
μπορείτε να δείτε πάλι
ότι η ταχύτητα ανάπτυξης
ότι η ταχύτητα ανάπτυξης
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
είναι πολύ, πολύ διαφορετική,
και οι χώρες κινούνται πάνω-κάτω
και οι χώρες κινούνται πάνω-κάτω
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
με τον ίδιο ρυθμό όπως το χρήμα και η
υγεία, αλλά φαίνεται ότι μπορείς να κινηθείς
υγεία, αλλά φαίνεται ότι μπορείς να κινηθείς
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
πολύ γρηγορότερα άν είσαι αρχικά
υγιής παρά αν είσαι αρχικά πλούσιος.
υγιής παρά αν είσαι αρχικά πλούσιος.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Το βλέπετε αυτό βάζοντας τη διαδρομή
των Ηνωμένων Αραβικών Εμιράτων.
των Ηνωμένων Αραβικών Εμιράτων.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Ήρθαν από δώ, μια χώρα μεταλλευμάτων.
Εξαργύρωσαν όλο το πετρέλαιο,
Εξαργύρωσαν όλο το πετρέλαιο,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
πήραν όλα τα λεφτά, αλλά η υγεία
δεν μπορεί να αγοραστεί στο σουπερμάρκετ.
δεν μπορεί να αγοραστεί στο σουπερμάρκετ.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Πρέπει να επενδύσεις στην υγεία.
Πρέπει να στείλεις τα παιδιά στο σχολείο.
Πρέπει να στείλεις τα παιδιά στο σχολείο.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Πρέπει να εκπαιδεύσεις ιατρικό προσωπικό.
Πρέπει να ενημερώσεις τον πληθυσμό.
Πρέπει να ενημερώσεις τον πληθυσμό.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Και ο Σεΐχης Σαγιέντ το έκανε αυτό
με αρκετά καλό τρόπο.
με αρκετά καλό τρόπο.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Και παρά τις πτωτικές τιμές πετρελαίου,
έφερε τη χώρα εδώ πάνω.
έφερε τη χώρα εδώ πάνω.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Κι έτσι έχουμε μια πολύ
πιο κοινότυπη εμφάνιση του κόσμου,
πιο κοινότυπη εμφάνιση του κόσμου,
13:43
where all countries tend to use their money
195
798000
2000
όπου όλες οι χώρες τείνουν
να χρησιμοποιούν τα χρήματά τους
να χρησιμοποιούν τα χρήματά τους
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
καλύτερα απ' ότι στο παρελθόν.
Τώρα, αυτό είναι, πάνω-κάτω,
Τώρα, αυτό είναι, πάνω-κάτω,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
αν κοιτάξεις τους μέσους όρους των χωρών.
Είναι έτσι.
Είναι έτσι.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Ευτό είναι επικίνδυνο, το να χρησιμοποιείς
μέσους όρους, επειδή υπάρχουν τόσο μεγάλες
μέσους όρους, επειδή υπάρχουν τόσο μεγάλες
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
διαφορές μεταξύ των χωρών. Έτσι
αν πάω και κοιτάξω εδώ, μπορούμε να δούμε
αν πάω και κοιτάξω εδώ, μπορούμε να δούμε
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
ότι η Ουγκάντα σήμερα είναι εκεί που ήταν η Νότια Κορέα το 1960. Εάν χωρίσω την Ουγκάντα,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
υπάρχει μεγάλη διαφορά μέσα στην Ουγκάντα. Αυτά είναι τα πέμπτα της Ουγκάντα.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Το πλουσιότερο 20 τοις εκατό της Ουγκάντα είναι εκεί.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Το φτωχότερο είναι εκεί κάτω. Αν χωρίσω τη Νότιο Αφρική, είναι έτσι.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Αν κατέβω και κοιτάξω το Νίγηρα, όπου υπήρχε ένας τόσο φοβερός λιμός,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
τέλος, είναι έτσι. Το φτωχότερο 20 τοις εκατό του Νίγηρα είναι εδώ έξω,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
και το πλουσιότερο 20 τοις εκατό της Νότιας Αφρικής είναι εκεί,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
και όμως τείνουμε να συζητάμε για το τι λύσεις θα έπρεπε να υπάρχουν στην Αφρική.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Τα πάντα στον κόσμο υπάρχουν
στην Αφρική. Και δεν μπορείς να
στην Αφρική. Και δεν μπορείς να
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
συζητάς για καθολική πρόσβαση σε [φάρμακα για] τον HIV για αυτό το πέμπτο εδώ πάνω
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
με την ίδια στρατηγική όπως εδώ κάτω. Η πρόοδος του κόσμου
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
πρέπει να μπει σε πολύ συγκεκριμένες συνιστώσες, και δεν είναι σωστό να την έχεις
15:00
on regional level. We must be much more detailed.
212
875000
3000
σε τοπικό επίπεδο.
Πρέπει να είμαστε πολύ πιο λεπτομερείς.
Πρέπει να είμαστε πολύ πιο λεπτομερείς.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Βρίσκουμε ότι στους φοιτητές αρέσει πάρα πολύ όταν μπορούν να το χρησιμοποιήσουν αυτό.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Και ακόμα περισσότερο οι δημιουργοί πολιτικής και οι επιχειρηματικοί τομείς θα ήθελαν να δούν
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
πώς αλλάζει ο κόσμος.
Τώρα, γιατί δεν συμβαίνει αυτό;
Τώρα, γιατί δεν συμβαίνει αυτό;
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Γιατί δεν χρησιμοποιούμε τα δεδομένα που
έχουμε; Έχουμε δεδομένα στα Ηνωμένα Έθνη,
έχουμε; Έχουμε δεδομένα στα Ηνωμένα Έθνη,
15:20
in the national statistical agencies
217
895000
2000
στις εθνικές στατιστικές υπηρεσίες
15:22
and in universities and other non-governmental organizations.
218
897000
4000
και στα πανεπιστήμια
και άλλες μη-κυβερνητικές οργανώσεις.
και άλλες μη-κυβερνητικές οργανώσεις.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Επειδή τα δεδομένα είναι κρυμμένα
κάτω στις βάσεις δεδομένων.
κάτω στις βάσεις δεδομένων.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
Το κοινό και το Διαδίκτυο είναι εκεί, αλλά
δεν τα έχουμε χρησμοποιήσει αποτελεσματικά.
δεν τα έχουμε χρησμοποιήσει αποτελεσματικά.
15:33
All that information we saw changing in the world
221
908000
3000
Όλες αυτές οι πληροφορίες
που είδαμε να αλλάζουν στον κόσμο
που είδαμε να αλλάζουν στον κόσμο
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
δεν συμπεριλαμβάνουν κρατικά-χρηματοδοτούμενες στατιστικές. Υπάρχουν κάποιες ιστοσελίδες
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
όπως αυτή, ξέρετε, αλλά παίρνουν κάποια από την τροφή τους από τις βάσεις δεδομένων,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
αλλά οι άνθρωποι χρεώνουν γι' αυτές, χαζά passwords και βαρετές στατιστικές.
15:51
(Laughter) (Applause)
225
926000
3000
(Γέλια) (Χειροκρότημα)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Κι αυτό δεν θα δουλέψει. Άρα τι χρειάζεται; Έχουμε τις βάσεις δεδομένων.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Αυτό που χρειάζεσαι δεν είναι οι καινούριες βάσεις δεδομένων. Έχουμε θαυμάσια σχεδιαστικά εργαλεία,
16:02
and more and more are added up here. So we started
228
937000
3000
και όλο και περισσότερο προστίθενται εδώ. Έτσι ξεκινήσαμε
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
μια μη-κερδοσκοπική προσπάθεια που ονομάσαμε -- συνδέοντας δεδομένα με σχεδιαστική --
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
το ονομάσαμε Gapminder (Κενοπροσεκτικός), από το μετρό του Λονδίνου, όπου σε προειδοποιούν,
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
"mind the gap" ("προσοχή στο κενό"). Έτσι σκεφτήκαμε ότι Gapminder ήταν ταιριαστό.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Και αρχίσαμε να γράφουμε λογισμικό που θα μπορούσε να συνδέσει τα δεδομένα μ' αυτόν τον τρόπο.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Και δεν ήταν και τόσο δύσκολο. Χρειάστηκε μερικά ανθρωπο-έτη, και τους έχουμε δώσει κίνηση.
16:26
You can take a data set and put it there.
234
961000
2000
Μπορείς να πάρεις το σετ δεδομένων και να το βάλεις εκεί.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Απελευθερώνουμε δεδομένα του Ο.Η.Ε., μερικά με λίγη οργάνωση από τον Ο.Η.Ε.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Μερικές χώρες δέχονται ότι οι βάσεις δεδομένων τους μπορούν να βγούν έξω στον κόσμο,
16:37
but what we really need is, of course, a search function.
237
972000
3000
αλλά αυτό που πραγματικά χρειαζόμαστε, βέβαια, είναι μια λειτουργία αναζήτησης.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Μια λειτουργία αναζήτησης όπου μπορούμε να αντιγράψουμε τα δεδομένα σε μια αναζητήσιμη μορφή
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
και να τα παρουσιάσουμε στον κόσμο.
Και τι ακούμε όταν βγαίνουμε στον γύρο;
Και τι ακούμε όταν βγαίνουμε στον γύρο;
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Έχω κάνει ανθρωπολογία
στις βασικές στατιστικές μονάδες. Όλοι λένε,
στις βασικές στατιστικές μονάδες. Όλοι λένε,
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
«Είναι αδύνατον. Αυτό δεν μπορεί να γίνει.
Οι πληροφορίες μας είναι τόσο ιδιοσυγκρατικές
Οι πληροφορίες μας είναι τόσο ιδιοσυγκρατικές
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
σε λεπτομέρεια, που δεν μπορούν
να ψαχθούν όπως μπορούν να ψαχθούν άλλες.
να ψαχθούν όπως μπορούν να ψαχθούν άλλες.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Δεν μπορούμε να δώσουμε τα δεδομένα ελεύθερα στους φοιτητές, στους πρωτοπόρους επιχειρηματίες του κόσμου.»
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Αλλά αυτό θα θέλαμε να δούμε, έτσι δεν είναι;
17:08
The publicly-funded data is down here.
245
1003000
3000
Τα κρατικά-χρημοτοδοτούμενα δεδομένα είναι εδώ κάτω.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
Και θα θέλαμε να φυτρώνουν λουλούδια στο Δίκτυο.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Και ένα από τα σημεία-κλειδιά είναι να τα κάνουμε αναζητήσημα, και μετά ο κόσμος μπορεί να χρησιμοποιήσει
17:19
the different design tool to animate it there.
248
1014000
2000
τα διαφορετικά σχεδιαστικά εργαλεία για να τους δώσει κίνηση εκεί.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Και σας έχω πολύ καλά νέα. Έχω καλά νέα ότι ο νυν,
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
καινούριος επικεφαλής των Στατιστικών
του Ο.Η.Ε., δεν λέει ότι είναι αδύνατον.
του Ο.Η.Ε., δεν λέει ότι είναι αδύνατον.
17:30
He only says, "We can't do it."
251
1025000
2000
Λέει μόνο,
«Εμείς δεν μπορούμε να το κάνουμε».
«Εμείς δεν μπορούμε να το κάνουμε».
17:32
(Laughter)
252
1027000
4000
(Γέλια)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
Και αυτός είναι ένας πολύ έξυπνος τύπος, ε;
17:38
(Laughter)
254
1033000
2000
(Γέλια)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Έτσι μπορούμε να δούμε πολλά να συμβαίνουν στα δεδομένα τα προσεχή χρόνια.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Θα μπορούμε να κοιτάξουμε την κατανομή εισοδήματος με εντελώς καινούριους τρόπους.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Αυτή είναι η κατανομή εισοδήματος της Κίνας, 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
Η κατανομή εισοδήματος των Ηνωμένων Πολιτειών, 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Σχεδόν καθόλου αλληλεπικάλυψη. Σχεδόν καθόλου αλληλεπικάλυψη. Και τι έχει συμβεί;
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Έχει συμβεί το εξής: η Κίνα αναπτύσεται,
δεν είναι τόσο ίση πλέον,
δεν είναι τόσο ίση πλέον,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
και εμφανίζεται εδώ, κοιτάζοντας
τις Ηνωμένες Πολιτείες από πάνω.
τις Ηνωμένες Πολιτείες από πάνω.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Σχεδόν σαν φάντασμα, δεν είναι, ε;
18:14
(Laughter)
263
1069000
2000
(Γέλια)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Είναι πολύ τρομακτικό. Αλλά είναι πολύ σημαντικό να έχεις όλη αυτή την πληροφορία.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Χρειαζόμαστε πραγματικά να το δούμε.
Και αντί να κοιτάμε αυτό,
Και αντί να κοιτάμε αυτό,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
θα ήθελα να ολοκληρώσω δείχνοντας
τους χρήστες του Διαδικτύου ανά 1000.
τους χρήστες του Διαδικτύου ανά 1000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Σε αυτό το λογισμικό, έχουμε πρόσβαση σε περίπου 500 μεταβλητές από όλες τις χώρες πολύ εύκολα.
18:42
It takes some time to change for this,
268
1097000
4000
Παίρνει λίγο χρόνο να αλλάξεις γι' αυτό,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
αλλά στους άξονες, μπορείς πολύ εύκολα
να έχεις όποια μεταβλητή θα ήθελες.
να έχεις όποια μεταβλητή θα ήθελες.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Και το πράγμα θα ήταν
να έχεις τις βάσεις δεδομένων δωρεάν,
να έχεις τις βάσεις δεδομένων δωρεάν,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
να τις έχεις αναζητήσιμες,
και με ένα δεύτερο κλικ, να τις έχεις
και με ένα δεύτερο κλικ, να τις έχεις
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
στη γραφική μορφή,
όπου μπορείς να τις καταλάβεις αμέσως.
όπου μπορείς να τις καταλάβεις αμέσως.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Τώρα, στους στατιστικούς δεν αρέσει,
γιατί λένε ότι αυτό
γιατί λένε ότι αυτό
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
δεν θα δείχνει την πραγματικότητα. Πρέπει
να έχουμε στατιστικές, αναλυτικές μεθόδους.
να έχουμε στατιστικές, αναλυτικές μεθόδους.
19:16
But this is hypothesis-generating.
275
1131000
3000
Αλλά αυτό γεννά υποθέσεις.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Τελειώνω τώρα με τον κόσμο.
Εκεί, το Διαδίκτυο έρχεται.
Εκεί, το Διαδίκτυο έρχεται.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Ο αριθμός Διαδικτυακών χρηστών ανεβαίνει
έτσι. Αυτό είναι το κατά κεφαλή ΑΕΠ.
έτσι. Αυτό είναι το κατά κεφαλή ΑΕΠ.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Ειναι η είσοδος μιας καινούριας τεχνολογίας,
αλλά μετά καταπληκτικά, πόσο καλά
αλλά μετά καταπληκτικά, πόσο καλά
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
ταιριάζει στην οικονομία των χωρών.
Γι' αυτό ο υπολογιστής των 100 δολαρίων
Γι' αυτό ο υπολογιστής των 100 δολαρίων
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
θα είναι τόσο σημαντικός.
Αλλά είναι μια ωραία τάση.
Αλλά είναι μια ωραία τάση.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Είναι σαν ο κόσμος να γίνεται επίπεδος,
δεν είναι; Αυτές οι χώρες
δεν είναι; Αυτές οι χώρες
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
ανεβαίνουν περισσότερο από ότι
η οικονομία και θα είναι πολύ ενδιαφέρον
η οικονομία και θα είναι πολύ ενδιαφέρον
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
να το ακολουθήσουμε αυτό με τα χρόνια,
όπως θα ήθελα να μπορείτε να κάνετε
όπως θα ήθελα να μπορείτε να κάνετε
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
με όλα τα δημοσίως-χρηματοδοτούμενα
δεδομένα. Σας ευχαριστώ πολύ.
δεδομένα. Σας ευχαριστώ πολύ.
19:53
(Applause)
285
1168000
3000
(Χειροκρότημα)
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