TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling présente les meilleures statistiques jamais vues
Filmed:
Readability: 3.6
14,386,844 views
Vous n'avez jamais vu des données présentées de cette façon. Adoptant le sens dramatique et pressant d'un reporter sportif, le gourou des statistiques Hans Rosling démythifie le soi-disant "monde en voie de développement".
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
Il y a 10 ans de cela, j'ai accepté d'enseigner le développement global
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
à des étudiants suédois. Je venais de passer
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
20 ans à étudier la faim en Afrique avec des institutions,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
donc je connaissais un peu le sujet.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
J'ai démarré un cours appelé Santé globale dans notre
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
université médicale, Karolinska Institute.
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
j'avais un peu le trac, je dois dire. Après tout, ces étudiants
00:53
coming to us actually have the highest grade you can get
7
28000
3000
étaient extrêmement brillants,
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
les meilleurs du pays... peut-être qu'ils savaient déjà
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
tout ce que je comptais leur apprendre. J'ai donc fait un petit test avant de commencer.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Et il y a une question qui m'a permis d'apprendre beaucoup de choses :
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Sur ces cinq paires, quel est le pays qui a la mortalité infantile la plus élevée ?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Dans chaque paire proposée,
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
l'un des pays avait une mortalité infantile deux fois plus importante que l'autre.
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
Ça fait une grosse différence.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Je ne vais pas vous demander de faire le test, mais c'est la Turquie,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
la Pologne, la Russie, le Pakistan et l'Afrique du Sud.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Et voici les résultats des étudiants suédois. J'ai eu
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
une intervalle de confidence, et j'étais ravi des résultats.
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1,8 bonne réponse sur les cinq possibles. Cela voulait dire
01:41
there was a place for a professor of international health --
20
76000
3000
qu'il y avait une place pour un professeur et
01:44
(Laughter) and for my course.
21
79000
2000
(rires) pour mes cours.
01:46
But one late night, when I was compiling the report
22
81000
4000
Mais un soir, alors que je compilais le rapport,
01:50
I really realized my discovery. I have shown
23
85000
4000
je me suis rendu compte de quelque chose. J'ai démontré
01:54
that Swedish top students know statistically significantly less
24
89000
5000
que les étudiants suédois les plus brillants avaient, statistiquement parlant,
01:59
about the world than the chimpanzees.
25
94000
2000
moins de connaissances sur le monde que les chimpanzés.
02:01
(Laughter)
26
96000
2000
(Rires).
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Parce que les chimpanzés auraient 50 % de bonnes réponses
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
si je leur donnais deux bananes avec le Sri Lanka et la Turquie.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Mais pas les étudiants. Le problème pour moi, ce n'était pas l'ignorance,
02:14
it was preconceived ideas.
30
109000
3000
c'était les idées préconçues.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
J'ai également réalisé une étude contraire à l'éthique sur les professeurs du Karolinska Institute,
02:21
(Laughter)
32
116000
1000
(rires)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
cet institut qui décerne le prix Nobel de médecine,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
et dans ce cas, les professeurs sont au niveau des chimpanzés.
02:26
(Laughter)
35
121000
3000
(Rires).
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
C'est là que je me suis rendu compte qu'il y avait un besoin de communication
02:33
because the data of what's happening in the world
37
128000
3000
car les informations sur ce qui se passe dans le monde,
02:36
and the child health of every country is very well aware.
38
131000
3000
sur la santé des enfants dans tous les pays, ces informations existent.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
On a créé un logiciel qui fonctionne de la façon suivante : chaque bulle correspond à un pays.
02:44
This country over here is China. This is India.
40
139000
6000
Ce pays là, c'est la Chine. Là, c'est l'Inde.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
La taille de la bulle correspond à la population du pays, et cet axe là, c'est le taux de fécondité.
02:56
Because my students, what they said
42
151000
3000
Parce qu'en fait, mes étudiants...
02:59
when they looked upon the world, and I asked them,
43
154000
2000
quand ils ont regardé le monde, et que je leur ai demandé :
03:01
"What do you really think about the world?"
44
156000
2000
"Que pensez-vous du monde ?"...
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
J'ai découvert que c'était un livre de Tintin.
03:07
(Laughter)
46
162000
1000
(Rires).
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Ils m'ont répondu : "Le monde est toujours divisé entre 'nous' et 'eux'.
03:11
And we is Western world and them is Third World."
48
166000
3000
Nous, c'est les Occidentaux, eux, le Tiers monde."
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"C'est quoi le monde occidental pour vous ?"
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Une vie longue, une famille réduite... dans le Tiers monde, c'est l'inverse."
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Voici donc ce que j'ai mis là. J'ai inscrit le taux de fécondité : nombre d'enfants par femme,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
un, deux, trois, quatre, jusqu'à huit enfants par femme.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Depuis 1962, on a des informations précises sur la taille des familles dans tous les pays du monde.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
La marge d'erreurs est très faible. Là j'ai inscrit l'espérance de vie à la naissance,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
de 30 ans pour certains pays à 70 ans pour d'autres.
03:45
And 1962, there was really a group of countries here
56
200000
3000
En 1962, il y avait un ensemble de pays
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
industrialisés, dont la taille des familles était réduite et l'espérance de vie était importante.
03:53
And these were the developing countries:
58
208000
2000
Et il y avait à côté les pays en voie de développement,
03:55
they had large families and they had relatively short lives.
59
210000
3000
avec de grandes familles et une espérance de vie relativement courte.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Qu'est-ce qui s'est passé depuis 1962 ? On veut voir le changement.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Les étudiants ont-ils raison ? Est-ce qu'il y a toujours deux types de pays ?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Ou est-ce que les données ont changé pour les pays en voie de développement ?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Où est-ce qu'ils sont ? Quelle est leur espérance de vie ?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Voyons voir. Nous avons arrêté le monde. Il s'agit là de statistiques des Nations
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
Unies... Voilà. Vous voyez ?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
C'est la Chine, là, avec une santé qui s'améliore.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Tous les pays d'Amérique du Sud tendent vers des familles de taille plus réduite.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Les jaunes, ce sont les pays arabes,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
qui ont des familles plus importantes, mais... non, une vie plus longue, en fait.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Les Africains sont en vert. Ils restent là.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Là, c'est l'Inde. L'Indonésie évolue vite.
04:36
(Laughter)
72
251000
1000
(Rires).
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
Dans les années 1980, le Bangladesh était toujours avec les pays africains.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Mais à présent... c'est un miracle qui s'est produit :
04:43
the imams start to promote family planning.
75
258000
3000
les imams ont commencé à faire l'apologie des plannings familiaux.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Ils arrivent là. Et dans les années 1990, l'épidémie de sida
04:51
that takes down the life expectancy of the African countries
77
266000
3000
a réduit l'espérance de vie des pays africains...
04:54
and all the rest of them move up into the corner,
78
269000
4000
Le reste se retrouve là,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
avec des familles réduites et une espérance de vie importante... Un nouveau monde.
05:02
(Applause)
80
277000
13000
(Applaudissements).
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Je vais faire une comparaison entre les États-Unis d'Amérique et le Vietnam.
05:20
1964: America had small families and long life;
82
295000
5000
En 1964, l'Amérique, c'est des familles réduites et une espérance de vie importante;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
au Vietnam, c'est l'inverse. Et voici ce qui se produit :
05:29
the data during the war indicate that even with all the death,
84
304000
6000
malgré la guerre et tous ses morts,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
l'espérance de vie a augmenté. À la fin de l'année,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
les plannings familiaux ont été lancés, et la taille des familles a commencé à diminuer.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Les États-Unis ont une espérance de vie plus longue,
05:44
keeping family size. And in the '80s now,
88
319000
3000
la taille de la famille ne change pas. Dans les années 1980,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
ils ont abandonné le communisme et passent à l'économie de marché,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
et tout a progressé rapidement. Aujourd'hui,
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
l'espérance de vie et la taille de la famille sont les mêmes au Vietnam
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
en 2003 qu'aux États-Unis en 1974, à la fin de la guerre.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Je pense que nous ne nous rendons pas compte
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
de l'importance des changements survenus en Asie,
06:14
in social change before we saw the economical change.
95
349000
4000
des changements sociaux avant les changements économiques.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Passons à présent à autre chose... Voici comment nous pouvons
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
représenter la distribution des revenus dans le monde.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Un dollar par jour, 10 dollars par jour, 100 dollars par jour.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Il n'y a plus de fossé entre les riches et les pauvres, c'est un mythe.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Il y a une petite bosse là. Mais il y a des gens à tous les niveaux.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Et si on regarde où arrivent les revenus...
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
là, c'est 100 % des revenus annuels du monde. Et les 20 % les plus riches
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
en obtiennent environ 74 %. Et les 20 % les plus pauvres,
07:01
they take about two percent. And this shows that the concept
104
396000
5000
en obtiennent environ 2 %. Cela montre bien que le concept
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
de pays en voie de développement est peu convaincant. On parle d'aide...
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
les gens ici qui aident les gens qui sont là-bas. Mais au milieu,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
il y a la majorité de la population mondiale, qui détient 24 % des revenus.
07:19
We heard it in other forms. And who are these?
108
414000
4000
On l'a déjà entendu. Mais quels sont-ils ?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Quels sont les différents pays ? Je peux vous montrer l'Afrique.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Voici l'Afrique. 10 % de la population mondiale, la majorité vivant dans la pauvreté.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Voici l'OCDE. Les pays riches. Le country club de l'ONU.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Et ils sont de ce coté. L'Afrique et l'OCDE se chevauchent.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Et voici l'Amérique du Sud. On y retrouve tout l'éventail de ce qu'il y a sur Terre,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
du plus pauvre au plus riche.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Et encore au-dessus, on peut mettre l'Europe de l'Est, l'Asie de l'Est,
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
et l'Asie du Sud. Qu'obtient-on si l'on retourne en arrière dans le temps,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
vers 1970 ? Il y a plusieurs bosses alors.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Et nous avons les Asiatiques qui vivaient dans une pauvreté absolue.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Le problème mondial d'alors était la pauvreté en Asie. Et si on avance dans le temps,
08:14
you will see that while population increase, there are
120
469000
3000
vous verrez que pendant que la population croît, il y a
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
des centaines de millions d'Asiatiques qui sortent de la pauvreté et d'autres
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
qui y arrivent, et voici la situation d'aujourd'hui.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Et le meilleur scénario d'après la Banque mondiale est que cela va se produire
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
et que nous n'aurons pas un monde divisé en deux. Nous aurons la majorité de la population au milieu.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Bien sûr, c'est une échelle logarithmique ici,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
mais notre conception de l'économie est une croissance en pourcentage. Nous la voyons
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
comme une possibilité d'augmentation en pourcentage. Si je change ça et que je prends
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
le PIB par individu à la place du revenu par foyer, et que je change
08:48
individual data into regional data of gross domestic product,
129
503000
6000
les données individuelles en données régionales du produit domestique brut,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
et si je mets ces régions là, la taille de la bulle représente toujours la population.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Vous avez l'OCDE ici, l'Afrique subsaharienne là,
09:01
and we take off the Arab states there,
132
516000
3000
et nous déplaçons les États arabes ici,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
venant d'Afrique et d'Asie, nous les séparons,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
et nous allongeons l'axe. Je peux donner une nouvelle dimension
09:13
by adding the social values there, child survival.
135
528000
3000
en ajoutant les valeurs sociales, l'espérance de vie infantile.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Maintenant j'ai l'argent sur cet axe et j'ai les chances de survie de l'enfant là.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
Dans certain pays, 99,7 % des enfants survivent au-delà 5 ans.
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
Dans d'autres, seulement 70 %. Et là, il semble y avoir un fossé énorme
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
entre l'OCDE, l'Amérique latine, l'Europe de l'Est, l'Asie de l'Est,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
les États arabes, l'Asie du Sud et l'Afrique subsaharienne.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
La linéarité est très forte entre la survie de l'enfant et l'argent.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Mais laissez-moi diviser l'Afrique subsaharienne. La santé est là et la meilleure santé est ici.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Je peux aller ici et je peux diviser l'Afrique subsaharienne par ses différents pays.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Et quand elle éclate, la taille de la bulle de son pays reste égale à la population.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
La Sierra Leone est en bas. La Mauritanie est en haut. La Mauritanie a été le premier pays
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
à s'affranchir des barrières commerciales et à pouvoir vendre son sucre.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Elle pouvait vendre ses textiles selon les mêmes conditions que les Européens et les Nord-Américains.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Il y a de grandes différences en Afrique. Et le Ghana est là, au milieu.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
En Sierra Leone, l'aide humanitaire.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Ici en Ouganda, l'aide au développement. Ici, l'investissement, ici,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
vous pouvez y aller en vacances. C'est une énorme variation
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
au sein de l'Afrique dont nous tenons rarement compte - que ça s'égale en tout.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Je peux diviser l'Asie du Sud ici. L'Inde est la grosse bulle du milieu.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Mais il y a une grosse différence entre l'Afghanistan et le Sri Lanka.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Je peux diviser les États arabes. Comment sont-ils ? Même climat, même culture,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
même religion. Mais de grosses différences. Même entre voisins.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Yémen, guerre civile. Émirats arabes, de l'argent équitablement réparti et bien utilisé.
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
Indifféremment du mythe. Et cela inclut les enfants des étrangers qui travaillent dans le pays.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Les données sont meilleures que ce que l'on pense. Beaucoup pensent qu'elles sont mauvaises.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Il y a une marge incertaine, mais on peut voir la différence ici :
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Cambodge, Singapour. Les différences sont plus importantes
11:11
than the weakness of the data. East Europe:
162
646000
3000
que la faiblesse des données. Europe de l'Est :
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
l'économie Soviétique pendant longtemps, mais au bout de dix ans,
11:20
very, very differently. And there is Latin America.
164
655000
3000
c'est très, très différent. Et voici l'Amérique latine.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Aujourd'hui, inutile d'aller à Cuba pour trouver un pays sain en Amérique latine.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Le Chili aura une mortalité infantile inférieure à celle de Cuba d'ici quelques années.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Et ici, voici les pays à haut revenu de l'OCDE.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Nous pouvons obtenir le modèle mondial,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
qui est plus ou moins comme ceci. En observant
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
ce à quoi ressemble le monde en 1960, il commence à évoluer. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
C'est Mao Tsé-toung. Il a fait de la Chine un pays en bonne santé. Puis il est mort.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Ensuite, Deng Xiaoping a amené l'argent en Chine et a ramené le pays sur le devant de la scène.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Nous avons vu comment les pays vont dans des directions différentes comme ceci,
12:02
so it's sort of difficult to get
174
697000
4000
c'est donc compliqué de trouver
12:06
an example country which shows the pattern of the world.
175
701000
5000
un pays qui regroupe tout les schémas mondiaux.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Je voudrais revenir ici, en 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
J'aimerais comparer la Corée du Sud qui est là, avec le Brésil,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
qui est là. J'ai perdu l'étiquette. Et je voudrais comparer l'Ouganda,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
qui est ici. Je peux le faire avancer, comme ceci.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Vous pouvez voir que la Corée du Sud progresse très rapidement
12:46
whereas Brazil is much slower.
181
741000
3000
alors que le Brésil est nettement plus lent.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Et si on revient en arrière, ici, et que nous les traçons comme ceci,
12:55
you can see again that the speed of development
183
750000
4000
vous pouvez voir que la vitesse de développement
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
est très différente. Les pays évoluent plus ou moins
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
au même taux en rapport argent et santé, mais il semble possible de progresser
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
plus vite en étant en bonne santé plutôt qu'en étant riche.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Et pour illustrer cela, prenons l'exemple des Émirats arabes.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Autrefois, c'était un pays minier. Ils ont trouvé du pétrole,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
ils ont gagné énormément d'argent, mais la santé ne s'achète pas au supermarché.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Vous devez investir dans la santé. Vous devez scolariser les enfants.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Vous devez former du personnel de santé. Vous devez éduquer la population.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Et le Sheikh Sayed l'a fait d'une manière admirable.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Malgré la chute du prix du pétrole, il a amené son pays jusque là.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Nous avons donc une meilleure approche de l'aspect du monde,
13:43
where all countries tend to use their money
195
798000
2000
où tout les pays ont tendance à mieux utiliser leur argent
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
que par le passé. Maintenant, c'est, plus ou moins,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
si vous regardez la moyenne des données des pays. Ils se présentent ainsi.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Mais il est hasardeux d'utiliser des moyennes car il y a une grosse
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
différence entre les pays. Donc si je vais par là, nous pouvons remarquer
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
que l'Ouganda aujourd'hui est semblable à la Corée du Sud en 1960. Si je divise l'Ouganda,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
il existe de grandes différences au sein de l'Ouganda. Voici les quantiles de l'Ouganda.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Les 20 % des Ougandais les plus riches sont là.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Les plus pauvres sont ici en bas. Si je divise l'Afrique du Sud, c'est ainsi.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Si je descends et que je regarde le Niger, où il y a eu une terrible famine
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
dernièrement, cela ressemble à ça. Les 20 % les plus pauvres du Niger ici,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
et les 20 % les plus riches d'Afrique du Sud là.
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
Nous pouvons ensuite discuter des solutions existant pour l'Afrique.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Tout en ce monde existe en Afrique. Et on ne peut pas
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
parler d'un accès universel au VIH [traitement] pour ce quantile ici en haut
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
avec la même stratégie que pour celui-ci en bas. L'amélioration du monde
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
doit être fortement replacée dans son contexte, et ce n'est en aucun cas pertinent
15:00
on regional level. We must be much more detailed.
212
875000
3000
à un niveau régional. Nous devons davantage détailler.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Nous avons découvert que les étudiants sont emballés quand ils peuvent utiliser cet outil.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Et même les responsables politiques et les entreprises aimeraient observer
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
l'évolution du monde. Mais pourquoi cela n'est-il pas mis en place ?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Pourquoi ne pas utiliser les données que nous avons ? Nous possédons des données aux Nations Unies,
15:20
in the national statistical agencies
217
895000
2000
dans les agences nationales de statistiques
15:22
and in universities and other non-governmental organizations.
218
897000
4000
et dans les universités et les autres organisations non gouvernementales.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Parce que les données sont enfouies dans les bases de données.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
Le public est là, Internet est là, mais nous ne les utilisons pas efficacement.
15:33
All that information we saw changing in the world
221
908000
3000
Toutes ces informations que nous voyons changer dans le monde
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
n'incluent pas les statistiques publiques. Il existe des pages Web
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
comme celle-ci, mais elles se nourrissent des bases de données,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
mais on les rend payantes, on instaure des mots de passe stupides et des statistiques ennuyeuses.
15:51
(Laughter) (Applause)
225
926000
3000
(Rires). (Applaudissements).
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Et cela ne marche pas. Que devons-nous faire ? Nous avons les bases de données.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Ce n'est pas de nouvelles bases de données dont nous avons besoin. Nous avons des outils de mise en forme merveilleux,
16:02
and more and more are added up here. So we started
228
937000
3000
et il s'en crée de plus en plus. Nous avons donc lancé
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
une entreprise à but non lucratif que nous avons appelée - en reliant les données à la conception -
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
nous l'avons appelée "Gapminder", par analogie au métro londonien qui vous avertit
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
de faire attention au vide. Nous avons donc pensé que "Gapminder" était un nom approprié.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Nous avons donc développé des logiciels qui relient les données comme cela.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Et ce n'était pas si compliqué. Cela nous a pris quelques années, et nous avons produit des animations.
16:26
You can take a data set and put it there.
234
961000
2000
Vous pouvez prendre un ensemble de données et les amener là.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Nous nous sommes procuré des données de l'ONU et de quelques organisations de l'ONU.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Certains pays ont accepté de rendre publiques leurs données,
16:37
but what we really need is, of course, a search function.
237
972000
3000
mais ce dont nous avons réellement besoin c'est, bien sûr, d'une fonction de recherche.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Une fonction de recherche qui nous permettrait de copier les données dans un format accessible
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
et de les transmettre au monde entier. Et quelles ont été les réactions ?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
J'ai fait une recherche anthropologique sur les principales formations statistiques. Tout le monde a dit,
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"C'est impossible. On ne peut pas faire ça. Notre information est trop spécifique
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
et ne peut être partagée comme n'importe quelle autre.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
On ne peut pas donner cette information gratuitement aux étudiants et aux entrepreneurs du monde entier."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Mais c'est exactement ce que nous voulons faire, n'est-ce pas ?
17:08
The publicly-funded data is down here.
245
1003000
3000
Les données publiques sont juste là.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
Nous souhaitons qu'elles se développent sur Internet.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
L'un des points cruciaux consiste à les rendre accessibles et à faire en sorte que les gens puissent utiliser
17:19
the different design tool to animate it there.
248
1014000
2000
les différents outils pour les rendre vivantes.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Et j'ai une bonne nouvelle pour vous.
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
Le nouveau directeur du service Statistiques de l'ONU ne dit pas que c'est impossible.
17:30
He only says, "We can't do it."
251
1025000
2000
Il dit simplement : "On ne peut pas le faire".
17:32
(Laughter)
252
1027000
4000
(Rires)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
C'est plutôt quelqu'un de malin, n'est-ce pas ?
17:38
(Laughter)
254
1033000
2000
(Rires)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Donc nous allons voir beaucoup de changements se produire dans les années à venir dans le domaine de l'échange des données.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Nous pourrons observer la distribution des richesses de façons complètement nouvelles.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Voici la distribution des richesses en Chine en 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
La distribution des richesses aux États-Unis en 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Quasiment aucun chevauchement. Quasiment aucun. Et que s'est-il produit ?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Voici ce qui s'est passé : la Chine a progressé, ce n'est plus si équitable,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
et cela se voit ici, dominant les États-Unis.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
On dirait un fantôme, n'est-ce pas ?
18:14
(Laughter)
263
1069000
2000
(Rires).
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
C'est plutôt effrayant. Mais je pense qu'il est important d'avoir cette information.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Nous devons la voir. Mais au lieu d'approfondir ce sujet,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
je voudrais terminer en montrant les utilisateurs d'Internet pour 1 000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Dans ce logiciel, nous accédons assez facilement à environ 500 variables de tous les pays.
18:42
It takes some time to change for this,
268
1097000
4000
Il faut du temps pour passer à cela,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
mais vous pouvez facilement trouver sur les axes n'importe quelle variable de votre choix.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Le but serait que les bases de données soient gratuites,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
accessibles et en cliquant une seconde fois, de les obtenir
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
dans des graphiques, où vous pourrez les comprendre instantanément.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Les statisticiens n'apprécient pas car selon eux, cela
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
ne reflète pas la réalité. Nous devons avoir une approche statistique et méthodique.
19:16
But this is hypothesis-generating.
275
1131000
3000
Mais cela génère des hypothèses.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Je termine donc avec le monde. Ici, Internet arrive.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Le nombre d'internautes croît comme cela. Voici le PIB par individu.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
C'est une nouvelle technologie qui voit le jour et qui, étonnamment,
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
se fond avec l'économie des pays. C'est pourquoi l'ordinateur
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
à 100 dollars est si important. Mais c'est une tendance faible.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
C'est comme si le monde s'aplatissait ? Ces pays
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
se soulèvent plus que l'économie, et il serait intéressant
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
de suivre ce phénomène au fil des années, comme je souhaiterais que vous puissiez utiliser
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
les données financées par des fonds publics. Merci beaucoup.
19:53
(Applause)
285
1168000
3000
(Applaudissements)
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