TED2007
Emily Oster: Flip your thinking on AIDS in Africa
אמילי אוסטר גורמת אצלנו למהפך מחשבתי בנוגע לאיידס באפריקה
Filmed:
Readability: 4.2
921,618 views
אמילי אוסטר בוחנת מחדש, מנקודת מבט כלכלית, את הסטטיסטיקות על איידס באפריקה ומגיעה למסקנה מדהימה: כל מה שאנו יודעים על התפשטות האיידס ביבשת זו הוא מוטעה לחלוטין.
Emily Oster - Assumption-busting economist
Emily Oster, a University of Chicago economist, uses the dismal science to rethink conventional wisdom, from her Harvard doctoral thesis that took on famed economist Amartya Sen to her recent work debunking assumptions on HIV prevalence in Africa. Full bio
Emily Oster, a University of Chicago economist, uses the dismal science to rethink conventional wisdom, from her Harvard doctoral thesis that took on famed economist Amartya Sen to her recent work debunking assumptions on HIV prevalence in Africa. Full bio
Double-click the English transcript below to play the video.
00:26
So I want to talk to you today about AIDS in sub-Saharan Africa.
0
1000
3000
אני רוצה לדבר איתכם על איידס באפריקה שמדרום לסהרה.
00:29
And this is a pretty well-educated audience,
1
4000
2000
ואתם קהל משכיל למדיי,
00:31
so I imagine you all know something about AIDS.
2
6000
3000
אז אני מתארת לעצמי שכולכם יודעים משהו על איידס.
00:34
You probably know that roughly 25 million people in Africa
3
9000
2000
אתם בטח יודעים שבסביבות 25 מיליון בני-אדם באפריקה
00:36
are infected with the virus, that AIDS is a disease of poverty,
4
11000
4000
נגועים בוירוס האיידס, ושאיידס הוא מחלת העניים.
00:40
and that if we can bring Africa out of poverty, we would decrease AIDS as well.
5
15000
4000
ושאם נוכל לחלץ את אפריקה מהעוני, נוכל גם לצמצם את האיידס.
00:44
If you know something more, you probably know that Uganda, to date,
6
19000
3000
אם מישהו יודע קצת יותר, הוא אולי שמע שאוגנדה, נכון להיום,
00:47
is the only country in sub-Saharan Africa
7
22000
2000
היא המדינה היחידה באפריקה שמדרום לסהרה
00:49
that has had success in combating the epidemic.
8
24000
3000
שהצליחה להתמודד עם המגפה,
00:52
Using a campaign that encouraged people to abstain, be faithful, and use condoms --
9
27000
4000
בעזרת קמפיין שעודד אנשים להימנע, להיות נאמנים ולהשתמש בקונדומים --
00:56
the ABC campaign -- they decreased their prevalence in the 1990s
10
31000
4000
קמפיין ה-ABC. הם הפחיתו את השכיחות בשנות ה-90
01:00
from about 15 percent to 6 percent over just a few years.
11
35000
4000
מ-15 אחוז ל-6 אחוז במהלך שנים בודדות.
01:04
If you follow policy, you probably know that a few years ago
12
39000
3000
אם אתם מתעניינים במדיניות, אתם ודאי יודעים שלפני מספר שנים
01:07
the president pledged 15 billion dollars to fight the epidemic over five years,
13
42000
4000
הנשיא ביקש 15 מיליארד דולר ל-5 שנים כדי להילחם נגד המגפה,
01:11
and a lot of that money is going to go to programs that try to replicate Uganda
14
46000
3000
והרבה מהכסף הזה הולך לזרום לתוכניות שינסו לחקות את אוגנדה
01:14
and use behavior change to encourage people and decrease the epidemic.
15
49000
6000
ולנסות לעודד אנשים לשנות את התנהגותם כדי לצמצם את המגפה.
01:20
So today I'm going to talk about some things
16
55000
2000
אז, היום אני עומדת לדבר על מספר דברים
01:22
that you might not know about the epidemic,
17
57000
2000
שאולי אינכם מכירים בנוגע למגפה זו.
01:24
and I'm actually also going to challenge
18
59000
2000
ואחר-כך, אני בעצם הולכת לאתגר
01:26
some of these things that you think that you do know.
19
61000
2000
חלק מהדברים שנדמה לכם שאתם יודעים.
01:28
To do that I'm going to talk about my research
20
63000
3000
וכדי לעשות זאת, אספר לכם על המחקר שלי
01:31
as an economist on the epidemic.
21
66000
2000
על המגפה בתור כלכלנית.
01:33
And I'm not really going to talk much about the economy.
22
68000
2000
ואני לא הולכת לדבר כל-כך על הכלכלה.
01:35
I'm not going to tell you about exports and prices.
23
70000
3000
לא אספר לכם על יצוא ועל מחירים.
01:38
But I'm going to use tools and ideas that are familiar to economists
24
73000
4000
אבל אני הולכת להשתמש בכלים וברעיונות המוכרים לכלכלנים
01:42
to think about a problem that's more traditionally
25
77000
2000
כדי לחשוב על בעיה שהיא באופן מסורתי
01:44
part of public health and epidemiology.
26
79000
2000
קשורה יותר לבריאות הציבור ולחקר מגיפות.
01:46
And I think in that sense, this fits really nicely with this lateral thinking idea.
27
81000
4000
ואני סבורה שבמובן זה, זה מתאים יפה מאוד לרעיון הזה הדורש חשיבה מקיפה.
01:50
Here I'm really using the tools of one academic discipline
28
85000
3000
כאן אני ממש משתמשת בכלים מתחום אקדמי אחד
01:53
to think about problems of another.
29
88000
2000
כדי לחשוב על בעיה מתחום אחר.
01:55
So we think, first and foremost, AIDS is a policy issue.
30
90000
3000
אם כך, נדמה לנו שבראש ובראשונה איידס הוא נושא פוליטי.
01:58
And probably for most people in this room, that's how you think about it.
31
93000
3000
וכנראה שמרבית האנשים כאן חושבים כך.
02:01
But this talk is going to be about understanding facts about the epidemic.
32
96000
4000
אבל הרצאה זו הולכת להיות על הבנת העובדות הנוגעות למגפה.
02:05
It's going to be about thinking about how it evolves, and how people respond to it.
33
100000
3000
במהלכה נדון על התפתחותה וכיצד אנשים מגיבים לזה.
02:08
I think it may seem like I'm ignoring the policy stuff,
34
103000
3000
יכול להיות שזה נראה כאילו אני מתעלמת מנושא המדיניות,
02:11
which is really the most important,
35
106000
2000
שהוא בעצם הדבר הכי חשוב,
02:13
but I'm hoping that at the end of this talk you will conclude
36
108000
2000
אבל אני מקוה שבסוף ההרצאה תגיעו למסקנה
02:15
that we actually cannot develop effective policy
37
110000
2000
שאנחנו למעשה לא יכולים לפתח מדיניות יעילה
02:17
unless we really understand how the epidemic works.
38
112000
3000
אלא אם נבין באמת כיצד המגפה פועלת.
02:20
And the first thing that I want to talk about,
39
115000
2000
והדבר הראשון שאני רוצה לדבר עליו,
02:22
the first thing I think we need to understand is:
40
117000
2000
הדבר הראשון שאנו צריכים להבין הוא:
02:24
how do people respond to the epidemic?
41
119000
2000
כיצד האנשים מגיבים למגפה?
02:26
So AIDS is a sexually transmitted infection, and it kills you.
42
121000
4000
איידס הוא מחלה מדבקת המועברת דרך יחסי-מין והיא הורגת.
02:30
So this means that in a place with a lot of AIDS,
43
125000
2000
זה אומר שבמקום בו האיידס נפוץ,
02:32
there's a really significant cost of sex.
44
127000
2000
יחסי-מין גובים מחיר משמעותי.
02:34
If you're an uninfected man living in Botswana, where the HIV rate is 30 percent,
45
129000
4000
אם אתה אדם לא נגוע החי בבוטסואנה, שם שעור האיידס הוא 30 אחוז,
02:38
if you have one more partner this year -- a long-term partner, girlfriend, mistress --
46
133000
4000
אם יש לך עוד בן/בת-זוג נוספת השנה -- בן/בת לטווח ארוך, חברה, פילגש --
02:42
your chance of dying in 10 years increases by three percentage points.
47
137000
4000
הסיכוי שלך למות תוך 10 שנים עולה בשלושה אחוזים.
02:46
That is a huge effect.
48
141000
2000
זוהי השפעה עצומה.
02:48
And so I think that we really feel like then people should have less sex.
49
143000
3000
ואז נדמה לי שאנו מרגישים שאנשים צריכים לקיים פחות יחסי-מין.
02:51
And in fact among gay men in the US
50
146000
2000
ולמעשה אצל הומוסקסואלים בארה"ב
02:53
we did see that kind of change in the 1980s.
51
148000
2000
אכן ראינו שינוי כזה בשנות ה-80.
02:55
So if we look in this particularly high-risk sample, they're being asked,
52
150000
4000
אם אנו בוחנים את קבוצת הסיכון הזו, ושואלים אותם,
02:59
"Did you have more than one unprotected sexual partner in the last two months?"
53
154000
3000
"האם קיימת יחסים בלתי מוגנים עם יותר מבן-זוג אחד בחודשיים האחרונים?"
03:02
Over a period from '84 to '88, that share drops from about 85 percent to 55 percent.
54
157000
6000
לאורך התקופה מ-84 עד 88, האחוז של אנשים שעשו זאת נופל מכ-85 ל-55 אחוז.
03:08
It's a huge change in a very short period of time.
55
163000
2000
זהו שינוי עצום בתקופה מאוד קצרה.
03:10
We didn't see anything like that in Africa.
56
165000
2000
לא ראינו משהו דומה לזה באפריקה.
03:12
So we don't have quite as good data, but you can see here
57
167000
3000
אין לנו נתונים כל-כך טובים, אבל ניתן לראות כאן
03:15
the share of single men having pre-marital sex,
58
170000
2000
החלק של הרווקים המקיימים יחסי-מין לפני הנישואין,
03:17
or married men having extra-marital sex,
59
172000
2000
או אנשים נשואים המקיימים יחסי-מין מחוץ לנישואין,
03:19
and how that changes from the early '90s to late '90s,
60
174000
3000
וכיצד זה משתנה מתחילת שנות ה-90 לסוף העשור,
03:22
and late '90s to early 2000s. The epidemic is getting worse.
61
177000
3000
ומסוף שנות ה-90 לתחילת שנות ה-2000. המגפה הזו מחריפה.
03:25
People are learning more things about it.
62
180000
2000
אנשים לומדים יותר דברים עליה...
03:27
We see almost no change in sexual behavior.
63
182000
2000
אנו לא רואים כמעט שינוי בהתנהגות מינית.
03:29
These are just tiny decreases -- two percentage points -- not significant.
64
184000
4000
אלו הן רק ירידות זעירות -- שני אחוזים -- לא משמעותי.
03:33
This seems puzzling. But I'm going to argue that you shouldn't be surprised by this,
65
188000
4000
זה נראה מוזר, אבל אני הולכת לטעון שאין מה להיות מופתעים בגלל זה.
03:37
and that to understand this you need to think about health
66
192000
3000
וכדי להבין זאת, צריך לחשוב על בריאות
03:40
the way than an economist does -- as an investment.
67
195000
3000
כמו שהכלכלן חושב - בתור השקעה.
03:43
So if you're a software engineer and you're trying to think about
68
198000
3000
כך לדוגמא אם אתה מהנדס תוכנה ואתה מנסה להחליט
03:46
whether to add some new functionality to your program,
69
201000
3000
אם להוסיף יכולות חדשות לתוכנה שלך,
03:49
it's important to think about how much it costs.
70
204000
2000
זה חשוב לאמוד כמה זה יעלה.
03:51
It's also important to think about what the benefit is.
71
206000
2000
זה גם חשוב לחשוב מה תהיה התועלת.
03:53
And one part of that benefit is how much longer
72
208000
2000
ואחד המרכיבים של התועלת זה עוד כמה זמן
03:55
you think this program is going to be active.
73
210000
2000
התוכנה תמשיך להיות שימושית.
03:57
If version 10 is coming out next week,
74
212000
2000
אם גרסה 10 יוצאת בשבוע הבא,
03:59
there's no point in adding more functionality into version nine.
75
214000
3000
אין טעם להוסיף יכולות חדשות לגרסה 9.
04:02
But your health decisions are the same.
76
217000
2000
ובכן, גם ההחלטות לגבי הבריאות שלך הן אותו הדבר.
04:04
Every time you have a carrot instead of a cookie,
77
219000
2000
בכל פעם שאתה לוקח גזר במקום עוגיה,
04:06
every time you go to the gym instead of going to the movies,
78
221000
3000
בכל פעם שאתה הולך למכון-כושר במקום לסרט,
04:09
that's a costly investment in your health.
79
224000
2000
זוהי השקעה יקרה בבריאותך.
04:11
But how much you want to invest is going to depend
80
226000
2000
אבל כמה אתה רוצה להשקיע, זה תלוי
04:13
on how much longer you expect to live in the future,
81
228000
2000
בכמה אתה סבור שתוסיף לחיות בעתיד --
04:15
even if you don't make those investments.
82
230000
2000
גם אם לא תעשה את ההשקעות האלה.
04:17
AIDS is the same kind of thing. It's costly to avoid AIDS.
83
232000
3000
איידס זה אותו הדבר. זה יקר להימנע מאיידס.
04:20
People really like to have sex.
84
235000
3000
אנשים באמת אוהבים לקיים יחסי-מין.
04:23
But, you know, it has a benefit in terms of future longevity.
85
238000
6000
כפי שאתם יודעים, יש לזה יתרונות במונחים של אריכות חיים.
04:29
But life expectancy in Africa, even without AIDS, is really, really low:
86
244000
4000
אבל תוחלת החיים באפריקה, אפילו ללא איידס, היא ממש, ממש נמוכה:
04:33
40 or 50 years in a lot of places.
87
248000
3000
40 עד 50 שנה במקומות רבים.
04:36
I think it's possible, if we think about that intuition, and think about that fact,
88
251000
4000
אני חושבת שזה אפשרי, אם חושבים על האינטואיציה ההיא, וחושבים על העובדה,
04:40
that maybe that explains some of this low behavior change.
89
255000
3000
שאולי זה מסביר את השינוי הזניח הזה בהתנהגות.
04:43
But we really need to test that.
90
258000
2000
אבל אנחנו באמת צריכים לבחון זאת.
04:45
And a great way to test that is to look across areas in Africa and see:
91
260000
3000
ודרך טובה לבחון זאת היא להסתכל על אזורים השונים באפריקה ולבדוק:
04:48
do people with more life expectancy change their sexual behavior more?
92
263000
4000
האם אנשים בעלי תוחלת חיים יותר ארוכה משנים את התנהגותם המינית?
04:52
And the way that I'm going to do that is,
93
267000
2000
והדרך בה אני הולכת לעשות זאת היא
04:54
I'm going to look across areas with different levels of malaria.
94
269000
3000
שאני הולכת לבדוק באזורים שיש בהם רמות שונות של מלריה.
04:57
So malaria is a disease that kills you.
95
272000
3000
מלריה היא מחלה שהורגת.
05:00
It's a disease that kills a lot of adults in Africa, in addition to a lot of children.
96
275000
3000
זוהי מחלה שהורגת המון מבוגרים באפריקה, בנוסף להרבה ילדים.
05:03
And so people who live in areas with a lot of malaria
97
278000
3000
וכך לאנשים החיים באזורים בהם המלריה מאוד שכיחה,
05:06
are going to have lower life expectancy than people who live in areas with limited malaria.
98
281000
4000
תהיה תוחלת חיים יותר קצרה מאשר אנשים החיים באזורים בהם המלריה מוגבלת.
05:10
So one way to test to see whether we can explain
99
285000
2000
אם כך, דרך אחת לבדוק באם אנו יכולים להסביר
05:12
some of this behavior change by differences in life expectancy
100
287000
3000
משהו בשינוי התנהגותי זה באמצעות ההבדלים בתוחלת החיים
05:15
is to look and see is there more behavior change
101
290000
3000
היא לראות אם יש שינוי התנהגותי יותר גדול
05:18
in areas where there's less malaria.
102
293000
2000
באזורים בהם שכיחות המלריה נמוכה.
05:20
So that's what this figure shows you.
103
295000
2000
וזה מה שתרשים זה מראה.
05:22
This shows you -- in areas with low malaria, medium malaria, high malaria --
104
297000
4000
הוא מראה -- באזורים בהם שכיחות המלריה נמוכה, בינונית, גבוהה --
05:26
what happens to the number of sexual partners as you increase HIV prevalence.
105
301000
4000
מה קורה למספר של שותפים ליחסי-מין ככל ששכיחות האיידס עולה.
05:30
If you look at the blue line,
106
305000
2000
אם תסתכלו על הקו הכחול,
05:32
the areas with low levels of malaria, you can see in those areas,
107
307000
3000
באזורים בהם שכיחות המלריה נמוכה, ניתן לראות
05:35
actually, the number of sexual partners is decreasing a lot
108
310000
3000
שהמספר של השותפים ליחסי-מין יורד מאוד
05:38
as HIV prevalence goes up.
109
313000
2000
ככל ששכיחות האיידס עולה.
05:40
Areas with medium levels of malaria it decreases some --
110
315000
2000
באזורים עם שכיחות מלריה בינונית הם יורדים במידת מה --
05:42
it doesn't decrease as much. And areas with high levels of malaria --
111
317000
3000
הם לא יורדים עד כדי כך. ובאזורים עם שכיחות מלריה גבוהה --
05:45
actually, it's increasing a little bit, although that's not significant.
112
320000
5000
למעשה, הם אפילו עולים קצת, אף על-פי שזה לא משמעותי.
05:50
This is not just through malaria.
113
325000
2000
זה לא רק עם מלריה.
05:52
Young women who live in areas with high maternal mortality
114
327000
3000
נשים צעירות החיות באזורים בהם יש תמותת אמהות גבוהה בלידה
05:55
change their behavior less in response to HIV
115
330000
3000
משנות את התנהגותן פחות בתגובה לאיידס
05:58
than young women who live in areas with low maternal mortality.
116
333000
3000
מאשר נשים צעירות החיות באזורים בהם תמותת אמהות נמוכה.
06:01
There's another risk, and they respond less to this existing risk.
117
336000
4000
קיים סיכון אחר נוסף, והן מגיבות פחות לסיכון זה הקיים.
06:06
So by itself, I think this tells a lot about how people behave.
118
341000
3000
זה לכשעצמו, כך נראה לי, אומר הרבה על התנהגות של אנשים.
06:09
It tells us something about why we see limited behavior change in Africa.
119
344000
3000
זה מספר לנו מדוע אנו רואים שינוי התנהגותי מוגבל באפריקה.
06:12
But it also tells us something about policy.
120
347000
2000
אבל זה גם מספר לנו משהו על מדיניות.
06:14
Even if you only cared about AIDS in Africa,
121
349000
3000
גם אם אך ורק היה אכפת לנו מאיידס באפריקה,
06:17
it might still be a good idea to invest in malaria,
122
352000
3000
עדיין זה היה משתלם להשקיע במלריה,
06:20
in combating poor indoor air quality,
123
355000
2000
במאבק נגד איכות אויר ירודה בבתים,
06:22
in improving maternal mortality rates.
124
357000
2000
הפחתת שיעורי תמותה של אמהות.
06:24
Because if you improve those things,
125
359000
2000
מכיוון שאם משפרים את הדברים האלה,
06:26
then people are going to have an incentive to avoid AIDS on their own.
126
361000
4000
אז יהיה לאנשים תמריץ להימנע מאיידס בכוחות עצמם.
06:30
But it also tells us something about one of these facts that we talked about before.
127
365000
4000
אבל זה גם אומר לנו משהו על אחת מהעובדות שהזכרנו כאן קודם.
06:34
Education campaigns, like the one that the president is focusing on in his funding,
128
369000
4000
קמפיינים חינוכיים, כמו זה שהנשיא מתמקד בו בהקצבות שלו,
06:38
may not be enough, at least not alone.
129
373000
2000
עלול שלא להספיק. לפחות לא לבדו.
06:40
If people have no incentive to avoid AIDS on their own,
130
375000
2000
אם לאנשים אין תמריץ להימנע מאיידס בכוחות עצמם --
06:42
even if they know everything about the disease,
131
377000
2000
גם אם הם יודעים הכל על המחלה --
06:44
they still may not change their behavior.
132
379000
2000
עדיין הם עלולים שלא לשנות את התנהגותם.
06:46
So the other thing that I think we learn here is that AIDS is not going to fix itself.
133
381000
3000
הדבר האחר שנראה לי שאנו לומדים כאן הוא שהאיידס לא הולך לתקן את עצמו.
06:49
People aren't changing their behavior enough
134
384000
2000
אנשים אינם משנים את התנהגותם מספיק
06:51
to decrease the growth in the epidemic.
135
386000
3000
כדי לגרום לירידה בהתפשטות המגפה.
06:54
So we're going to need to think about policy
136
389000
2000
לכן נצטרך לחשוב על מדיניות
06:56
and what kind of policies might be effective.
137
391000
2000
ואיזו סוג של מדיניות תהיה יעילה.
06:58
And a great way to learn about policy is to look at what worked in the past.
138
393000
3000
דרך מצויינת ללמוד על מדיניות היא לבדוק מה עבד בעבר.
07:01
The reason that we know that the ABC campaign
139
396000
2000
הסיבה שאנו יודעים שקמפיין ה-ABC
07:03
was effective in Uganda is we have good data on prevalence over time.
140
398000
3000
היה יעיל באוגנדה היא שבאוגנדה היו לנו נתונים יעילים לאורך זמן על שכיחות המחלה.
07:06
In Uganda we see the prevalence went down.
141
401000
2000
באוגנדה אנו רואים שהשכיחות ירדה.
07:08
We know they had this campaign. That's how we learn about what works.
142
403000
3000
אנו יודעים שהיה להם קמפיין הזה. כך אנו לומדים על מה שכן משפיע.
07:11
It's not the only place we had any interventions.
143
406000
2000
זה לא המקום היחיד שהיתה שם התערבות.
07:13
Other places have tried things, so why don't we look at those places
144
408000
4000
גם במקומות אחרים נוסו דברים. אז למה שלא נסתכל על מקומות הללו
07:17
and see what happened to their prevalence?
145
412000
3000
ונראה מה קרה לשכיחות שלהם?
07:20
Unfortunately, there's almost no good data
146
415000
2000
לרוע המזל, אין כמעט נתונים ראויים
07:22
on HIV prevalence in the general population in Africa until about 2003.
147
417000
5000
על שכיחות האיידס באוכלוסיה הכללית באפריקה עד בערך 2003.
07:27
So if I asked you, "Why don't you go and find me
148
422000
2000
אז אם הייתי שואלת אתכם, "מדוע שלא תמצאו
07:29
the prevalence in Burkina Faso in 1991?"
149
424000
3000
את השכיחות בבורקינה-פאסו ב-1991?"
07:32
You get on Google, you Google, and you find,
150
427000
3000
תלכו לגוגל, תחפשו -- ואז תמצאו,
07:35
actually the only people tested in Burkina Faso in 1991
151
430000
3000
שלמעשה האוכלוסיה היחידה שנבדקה בבורקינה-פאסו ב-1991
07:38
are STD patients and pregnant women,
152
433000
2000
הם חולים במחלות-מין ונשים בהריון.
07:40
which is not a terribly representative group of people.
153
435000
2000
שהם לא קבוצה מייצגת במיוחד של האוכלוסיה.
07:42
Then if you poked a little more, you looked a little more at what was going on,
154
437000
3000
אם הייתם חופרים עוד קצת, אם הייתם מסתכלים קצת יותר לעומק,
07:45
you'd find that actually that was a pretty good year,
155
440000
3000
הייתם מוצאים שבעצם זו היתה שנה די טובה.
07:48
because in some years the only people tested are IV drug users.
156
443000
3000
מכיוון שבשנים מסויימות האוכלוסיה היחידה שנבדקה היא משתמשי סמים.
07:51
But even worse -- some years it's only IV drug users,
157
446000
2000
אבל מה שיותר גרוע -- בשנים מסויימות זה רק משתמשי סמים נגועי איידס,
07:53
some years it's only pregnant women.
158
448000
2000
בשנים אחרות זה רק נשים בהריון.
07:55
We have no way to figure out what happened over time.
159
450000
2000
אין לנו שום דרך לדעת מה קורה לאורך זמן.
07:57
We have no consistent testing.
160
452000
2000
אין לנו בדיקות עקביות.
07:59
Now in the last few years, we actually have done some good testing.
161
454000
5000
ובשנים האחרונות, ערכנו מספר מחקרים טובים.
08:04
In Kenya, in Zambia, and a bunch of countries,
162
459000
3000
בקניה, בזמביה וקבוצה של מדינות,
08:07
there's been testing in random samples of the population.
163
462000
3000
נערכות כיום בדיקות של קבוצות אקראיות מהאוכלוסיה.
08:10
But this leaves us with a big gap in our knowledge.
164
465000
3000
אבל זה משאיר אותנו עם חלל גדול בידע.
08:13
So I can tell you what the prevalence was in Kenya in 2003,
165
468000
3000
כי אני יכולה לספר לכם מה היתה השכיחות בקניה ב-2003,
08:16
but I can't tell you anything about 1993 or 1983.
166
471000
3000
אבל איני יכולה לספר לכם דבר על 1993 או 1983.
08:19
So this is a problem for policy. It was a problem for my research.
167
474000
4000
לכן זו בעיה של מדיניות, זו היתה הבעיה במחקר שלי.
08:23
And I started thinking about how else might we figure out
168
478000
4000
אז התחלתי לחשוב על כיצד ניתן למצוא בדרך אחרת
08:27
what the prevalence of HIV was in Africa in the past.
169
482000
2000
מה היתה השכיחות של איידס באפריקה בעבר.
08:29
And I think that the answer is, we can look at mortality data,
170
484000
4000
ואני סבורה שהתשובה היא, אנו יכולים להסתכל בנתוני תמותה,
08:33
and we can use mortality data to figure out what the prevalence was in the past.
171
488000
4000
ואנו יכולים להשתמש בנתוני תמותה כדי למצוא מה היתה השכיחות בעבר.
08:37
To do this, we're going to have to rely on the fact
172
492000
2000
כדי לעשות זאת, אנו נסתמך על העובדה
08:39
that AIDS is a very specific kind of disease.
173
494000
2000
שאיידס היא מחלה מסוג מאוד מסויים.
08:41
It kills people in the prime of their lives.
174
496000
2000
היא מחסלת אנשים באביב חייהם.
08:43
Not a lot of other diseases have that profile. And you can see here --
175
498000
3000
לא להרבה מחלות יש פרופיל כזה. ואתם יכולים לראות כאן:
08:46
this is a graph of death rates by age in Botswana and Egypt.
176
501000
4000
זהו גרף של שיעורי תמותה לפי גיל בבוצוואנה ומצרים.
08:50
Botswana is a place with a lot of AIDS,
177
505000
2000
בוצוואנה היא מקום שיש בו הרבה איידס,
08:52
Egypt is a place without a lot of AIDS.
178
507000
2000
מצרים היא מקום ללא הרבה איידס.
08:54
And you see they have pretty similar death rates among young kids and old people.
179
509000
3000
ואתם רואים שיש להן שיעורי תמותה די דומים בין ילדים ואנשים זקנים.
08:57
That suggests it's pretty similar levels of development.
180
512000
3000
זה רומז ששם יש רמות התפתחות די דומות.
09:00
But in this middle region, between 20 and 45,
181
515000
3000
אבל בתחום המרכזי, בין 25 ל-45,
09:03
the death rates in Botswana are much, much, much higher than in Egypt.
182
518000
4000
שיעורי התמותה בבוצוואנה הרבה יותר גבוהים מאשר במצרים.
09:07
But since there are very few other diseases that kill people,
183
522000
4000
אבל מאחר וישנן מעט מאוד מחלות אחרות שהורגות אנשים,
09:11
we can really attribute that mortality to HIV.
184
526000
3000
אנו למעשה יכולים ליחס את התמותה לאיידס.
09:14
But because people who died this year of AIDS got it a few years ago,
185
529000
4000
אבל מכיוון שאנשים שמתו השנה מאיידס נדבקו בה לפני מספר שנים,
09:18
we can use this data on mortality to figure out what HIV prevalence was in the past.
186
533000
5000
אנו יכולים להשתמש בנתונים הללו כדי למצוא מה היתה שכיחות האיידס בעבר.
09:23
So it turns out, if you use this technique,
187
538000
2000
כך מתברר, אם משתמשים בטכניקה זו,
09:25
actually your estimates of prevalence are very close
188
540000
2000
האומדנים שלכם על שכיחות קרובים מאוד
09:27
to what we get from testing random samples in the population,
189
542000
3000
למה שמתקבל מבדיקת דוגמאות אקראיות מאוכלוסיה --
09:30
but they're very, very different than what UNAIDS tells us the prevalences are.
190
545000
5000
אבל הם מאוד מאוד שונים ממה שהאירגון למלחמה באיידס של האו"ם מספר לנו על השכיחויות.
09:35
So this is a graph of prevalence estimated by UNAIDS,
191
550000
3000
אז זהו הגרף של שכיחות לפי האומדן של או"ם,
09:38
and prevalence based on the mortality data
192
553000
2000
ושכיחות המבוססת על נתוני התמותה
09:40
for the years in the late 1990s in nine countries in Africa.
193
555000
4000
בשנים המאוחרות של שנות ה-90 בתשע מדינות באפריקה.
09:44
You can see, almost without exception,
194
559000
2000
ניתן לראות כמעט ללא יוצא מהכלל,
09:46
the UNAIDS estimates are much higher than the mortality-based estimates.
195
561000
4000
שהאומדנים של האו"ם גבוהים בהרבה מהאומדנים המבוססים על שיעורי התמותה.
09:50
UNAIDS tell us that the HIV rate in Zambia is 20 percent,
196
565000
4000
האו"ם מספר לנו ששיעור האיידס בזמביה הוא 20 אחוז,
09:54
and mortality estimates suggest it's only about 5 percent.
197
569000
4000
והאומדן לפי שיעורי התמותה הוא רק כ-5 אחוז.
09:58
And these are not trivial differences in mortality rates.
198
573000
3000
ואלה הם לא הבדלים זניחים בשיעורי תמותה.
10:01
So this is another way to see this.
199
576000
2000
אז זוהי דרך אחרת להסתכל על זה.
10:03
You can see that for the prevalence to be as high as UNAIDS says,
200
578000
2000
ניתן לראות שכדי שהשכיחות תהיה גבוהה כמו שהאו"ם טוען,
10:05
we have to really see 60 deaths per 10,000
201
580000
2000
היו צריכות להיות 60 מיתות לכל 10,000 נפש
10:07
rather than 20 deaths per 10,000 in this age group.
202
582000
4000
לעומת 20 מיתות לכל 10,000 בקבוצת גיל זו.
10:11
I'm going to talk a little bit in a minute
203
586000
2000
בעוד רגע אדבר בקצרה
10:13
about how we can use this kind of information to learn something
204
588000
3000
על איך בעצם ניתן להשתמש במידע כזה כדי ללמוד משהו
10:16
that's going to help us think about the world.
205
591000
2000
שיסייע לנו לחשוב על העולם.
10:18
But this also tells us that one of these facts
206
593000
2000
אבל זה גם אומר לנו שאחת מהעובדות
10:20
that I mentioned in the beginning may not be quite right.
207
595000
3000
שהזכרתי בהתחלה עלולה להיות בלתי מדוייקת.
10:23
If you think that 25 million people are infected,
208
598000
2000
אם אתם סבורים ש-25 מיליון אנשים נדבקו,
10:25
if you think that the UNAIDS numbers are much too high,
209
600000
3000
אם אתם סבורים שהמספרים של או"ם גבוהים מדיי,
10:28
maybe that's more like 10 or 15 million.
210
603000
2000
אולי זה יותר משהו כמו 10 או 15 מיליון.
10:30
It doesn't mean that AIDS isn't a problem. It's a gigantic problem.
211
605000
4000
זה לא אומר שאיידס לא מהווה בעיה. זו בעיה אדירה.
10:34
But it does suggest that that number might be a little big.
212
609000
4000
אבל זה מצביע על כך שהמספרים הם גבוהים מדיי.
10:38
What I really want to do, is I want to use this new data
213
613000
2000
מה שאני באמת רוצה לעשות, זה להשתמש בנתונים החדשים
10:40
to try to figure out what makes the HIV epidemic grow faster or slower.
214
615000
4000
כדי לנסות למצוא מה גורם למגפת האיידס להתפשט מהר יותר או לאט יותר.
10:44
And I said in the beginning, I wasn't going to tell you about exports.
215
619000
3000
ואמרתי בהתחלה שאני לא הולכת לדבר איתכם על יצוא.
10:47
When I started working on these projects,
216
622000
2000
כאשר התחלתי לעבוד על הנושאים הללו,
10:49
I was not thinking at all about economics,
217
624000
2000
כלל לא חשבתי על כלכלה,
10:51
but eventually it kind of sucks you back in.
218
626000
3000
אבל בסופו של דבר הכלכלה שואבת אותך פנימה.
10:54
So I am going to talk about exports and prices.
219
629000
3000
לכן אדבר על יצוא ומחירים.
10:57
And I want to talk about the relationship between economic activity,
220
632000
3000
אני רוצה לדבר על הקשר בין פעילות כלכלית,
11:00
in particular export volume, and HIV infections.
221
635000
4000
בעיקר בין נפח יצוא, לבין הידבקות באיידס.
11:04
So obviously, as an economist, I'm deeply familiar
222
639000
4000
ברור שבתור כלכלנית אני יודעת טוב מאוד
11:08
with the fact that development, that openness to trade,
223
643000
2000
שפיתוח ופתיחות מסחרית
11:10
is really good for developing countries.
224
645000
2000
ממש מועילים למדינות מתפתחות.
11:12
It's good for improving people's lives.
225
647000
3000
הם טובים לשיפור חיי אנשים.
11:15
But openness and inter-connectedness, it comes with a cost
226
650000
2000
אבל פתיחות וקשרים הדדיים גם גובים מחיר
11:17
when we think about disease. I don't think this should be a surprise.
227
652000
3000
הנוגע למחלות. איני חושבת שזו הפתעה.
11:20
On Wednesday, I learned from Laurie Garrett
228
655000
2000
ביום רביעי, למדתי מלורי גארט
11:22
that I'm definitely going to get the bird flu,
229
657000
2000
שאני לבטח הולכת לחלות בשפעת העופות.
11:24
and I wouldn't be at all worried about that
230
659000
3000
ואני כלל לא הייתי מודאגת בשל כך
11:27
if we never had any contact with Asia.
231
662000
3000
אם לא היה לנו כל מגע עם אסיה.
11:30
And HIV is actually particularly closely linked to transit.
232
665000
4000
ואיידס קשור קשר הדוק לתחבורה.
11:34
The epidemic was introduced to the US
233
669000
2000
המחלה חדרה לארה"ב
11:36
by actually one male steward on an airline flight,
234
671000
4000
על-ידי דייל אחד בטיסה אשר נדבק
11:40
who got the disease in Africa and brought it back.
235
675000
2000
במחלה באפריקה והביא אותה לכאן.
11:42
And that was the genesis of the entire epidemic in the US.
236
677000
3000
וזו היתה ההתחלה של כל המגיפה בארה"ב.
11:45
In Africa, epidemiologists have noted for a long time
237
680000
4000
באפריקה, חוקרי מחלות כבר מזמן שמו לב שנהגי משאיות ומהגרים
11:49
that truck drivers and migrants are more likely to be infected than other people.
238
684000
4000
הם בעלי הסיכויים הגבוהים ביותר להידבק במחלה לעומת אנשים אחרים.
11:53
Areas with a lot of economic activity --
239
688000
2000
האזורים בעלי הפעילות הכלכלית הגדולה --
11:55
with a lot of roads, with a lot of urbanization --
240
690000
3000
עם הרבה כבישים והרבה עיור --
11:58
those areas have higher prevalence than others.
241
693000
2000
באותם האזורים השכיחות היא הגבוהה ביותר.
12:00
But that actually doesn't mean at all
242
695000
2000
אבל אין פירוש הדבר כלל
12:02
that if we gave people more exports, more trade, that that would increase prevalence.
243
697000
4000
שאם היינו מאפשרים יותר יצוא, יותר מסחר, אז זה היה מגביר את השכיחות.
12:06
By using this new data, using this information about prevalence over time,
244
701000
4000
על-ידי שימוש בנתונים החדשים, שימוש במידע זה על שכיחות לאורך זמן,
12:10
we can actually test that. And so it seems to be --
245
705000
4000
אנו למעשה יכולים לבחון זאת. ונראה שזה --
12:14
fortunately, I think -- it seems to be the case
246
709000
2000
למרבה המזל, אני חושבת -- שכך זה באמת.
12:16
that these things are positively related.
247
711000
2000
שיש קשר חיובי בין הדברים.
12:18
More exports means more AIDS. And that effect is really big.
248
713000
4000
יותר יצוא פירושו יותר איידס. וההשפעה היא מאוד גדולה.
12:22
So the data that I have suggests that if you double export volume,
249
717000
4000
הנתונים שיש לי מצביעים על כך שאם מכפילים את היצוא,
12:26
it will lead to a quadrupling of new HIV infections.
250
721000
5000
זה יביא לפי-4 יותר הדבקות באיידס.
12:31
So this has important implications both for forecasting and for policy.
251
726000
3000
לכן יש לזה משמעות אמיתית בשביל חיזוי ולקביעת מדיניות.
12:34
From a forecasting perspective, if we know where trade is likely to change,
252
729000
4000
מהיבט של חיזוי, אם אנו יודעים היכן המסחר הולך להשתנות,
12:38
for example, because of the African Growth and Opportunities Act
253
733000
3000
לדוגמא, בגלל חוק הצמיחה והזדמנויות באפריקה,
12:41
or other policies that encourage trade,
254
736000
2000
או מדיניות אחרת המעודדת מסחר,
12:43
we can actually think about which areas are likely to be heavily infected with HIV.
255
738000
5000
אנו יכולים לחזות אלו מקומות עלולים להיות נגועים קשה באיידס.
12:48
And we can go and we can try to have pre-emptive preventive measures there.
256
743000
6000
ואז נוכל לנסות ולנקוט צעדי מניעה באותם המקומות.
12:54
Likewise, as we're developing policies to try to encourage exports,
257
749000
3000
כמו-כן, ככל שאנו מפתחים מדיניות לעידוד היצוא,
12:57
if we know there's this externality --
258
752000
2000
אם אנו יודעים שיש מגמת החצנה --
12:59
this extra thing that's going to happen as we increase exports --
259
754000
2000
הדבר הנוסף הזה אשר הולך להתרחש עם הגדלת היצוא --
13:01
we can think about what the right kinds of policies are.
260
756000
3000
נוכל לחשוב על מהי המדיניות הנכונה.
13:04
But it also tells us something about one of these things that we think that we know.
261
759000
3000
אבל זה גם אומר לנו משהו על אחד הדברים שנדמה לנו שאנו יודעים.
13:07
Even though it is the case that poverty is linked to AIDS,
262
762000
3000
אף על-פי שבמקרה זה העוני קשור באיידס,
13:10
in the sense that Africa is poor and they have a lot of AIDS,
263
765000
3000
במובן שאפריקה היא עניה ויש שם הרבה איידס,
13:13
it's not necessarily the case that improving poverty -- at least in the short run,
264
768000
4000
זה לא בהכרח שאם מצמצמים עוני -- לפחות בטווח הקרוב --
13:17
that improving exports and improving development --
265
772000
2000
ששיפור היצוא והגברת הפיתוח,
13:19
it's not necessarily the case that that's going to lead
266
774000
2000
לא יובילו בהכרח
13:21
to a decline in HIV prevalence.
267
776000
2000
לירידה בשכיחות האיידס.
13:24
So throughout this talk I've mentioned a few times
268
779000
2000
ובכן, לאורך ההרצאה כולה הזכרתי מספר פעמים
13:26
the special case of Uganda, and the fact that
269
781000
2000
את המקרה המיוחד של אוגנדה, ואת העובדה
13:28
it's the only country in sub-Saharan Africa with successful prevention.
270
783000
4000
שזוהי המדינה היחידה באפריקה הדרומית לסהרה עם מניעה מוצלחת.
13:32
It's been widely heralded.
271
787000
2000
זה פורסם באופן נרחב.
13:34
It's been replicated in Kenya, and Tanzania, and South Africa and many other places.
272
789000
6000
הדבר חזר על עצמו בקניה ובטנזניה ובדרום-אפריקה ובמקומות רבים אחרים.
13:40
But now I want to actually also question that.
273
795000
4000
אבל כעת אני רוצה לפקפק בכך.
13:44
Because it is true that there was a decline in prevalence
274
799000
3000
מכיוון שזה נכון שהיתה ירידה בשכיחות
13:47
in Uganda in the 1990s. It's true that they had an education campaign.
275
802000
4000
באוגנדה בשנות ה-90. זה נכון שהיה שם קמפיין חינוכי.
13:51
But there was actually something else that happened in Uganda in this period.
276
806000
6000
אבל למעשה היה שם משהו אחר שקרה באוגנדה בתקופה זו.
13:57
There was a big decline in coffee prices.
277
812000
2000
היתה ירידה גדולה במחירי קפה.
13:59
Coffee is Uganda's major export.
278
814000
2000
קפה הוא היצוא העיקרי של אוגנדה.
14:01
Their exports went down a lot in the early 1990s -- and actually that decline lines up
279
816000
5000
יצוא זה ירד מאוד בשנות ה-90 המוקדמות -- ולמעשה, ירידה זו חופפת
14:06
really, really closely with this decline in new HIV infections.
280
821000
4000
מאוד מאוד במדוייק את הירידה בהדבקות איידס.
14:10
So you can see that both of these series --
281
825000
3000
אז אתם יכולים לראות את שני הקוים הללו --
14:13
the black line is export value, the red line is new HIV infections --
282
828000
3000
הקו השחור מייצג יצוא, הקו האדום את מספר הדבקות איידס החדשות --
14:16
you can see they're both increasing.
283
831000
2000
ניתן לראות ששניהם עולים.
14:18
Starting about 1987 they're both going down a lot.
284
833000
2000
בערך ב-1987, שניהם יורדים מאוד.
14:20
And then actually they track each other
285
835000
2000
ולאחר-מכן הם עוקבים זה אחר זה
14:22
a little bit on the increase later in the decade.
286
837000
2000
קצת בעליה יותר מאוחר בעשור.
14:24
So if you combine the intuition in this figure
287
839000
2000
אז אם משלבים אינטואיציה ותרשים זה
14:26
with some of the data that I talked about before,
288
841000
3000
ביחד עם חלק מהנתונים שהזכרתי מקודם,
14:29
it suggests that somewhere between 25 percent and 50 percent
289
844000
4000
כל זה מצביע על כך שבין 25 ל-50 אחוז
14:33
of the decline in prevalence in Uganda
290
848000
2000
מהירידה בשכיחות באוגנדה
14:35
actually would have happened even without any education campaign.
291
850000
4000
היתה בעצם מתרחשת ללא שום קמפיין חינוכי.
14:39
But that's enormously important for policy.
292
854000
2000
וזה דבר מאוד חשוב בשביל קביעת מדיניות.
14:41
We're spending so much money to try to replicate this campaign.
293
856000
2000
אנו מוציאים כל-כך הרבה כסף כדי לנסות לשכפל קמפיין זה,
14:43
And if it was only 50 percent as effective as we think that it was,
294
858000
3000
ואם הוא היה רק 50 אחוז יעיל ממה שאנו סבורים שהוא היה,
14:46
then there are all sorts of other things
295
861000
2000
אז יש כל מיני דברים אחרים
14:48
maybe we should be spending our money on instead.
296
863000
2000
שאולי עליהם צריך להוציא את הכסף.
14:50
Trying to change transmission rates by treating other sexually transmitted diseases.
297
865000
4000
לנסות ולשנות את כמויות ההעברה על-ידי טיפול במחלות מין אחרות שמועברות.
14:54
Trying to change them by engaging in male circumcision.
298
869000
2000
לנסות לשנותן על-ידי עיקור של גברים.
14:56
There are tons of other things that we should think about doing.
299
871000
2000
יש המון דברים אחרים שעלינו לחשוב לעשותם.
14:58
And maybe this tells us that we should be thinking more about those things.
300
873000
4000
ואולי כל זה אומר לנו שעלינו לחשוב יותר על דברים ההם.
15:02
I hope that in the last 16 minutes I've told you something that you didn't know about AIDS,
301
877000
5000
אני מקוה שב-16 הדקות האחרונות סיפרתי לכם משהו שלא ידעתם על איידס,
15:07
and I hope that I've gotten you questioning a little bit
302
882000
2000
ואני מקוה שגרמתי לכם להרהר קצת
15:09
some of the things that you did know.
303
884000
2000
על הדברים שכן ידעתם.
15:11
And I hope that I've convinced you maybe
304
886000
2000
ואני מקוה ששכנעתי אתכם שאולי
15:13
that it's important to understand things about the epidemic
305
888000
2000
זה חשוב להבין דברים על המגיפה,
15:15
in order to think about policy.
306
890000
2000
כדי לחשוב על המדיניות הנכונה.
15:18
But more than anything, you know, I'm an academic.
307
893000
2000
אבל יותר מכל, כפי שאתם יודעים, אני אשת אקדמיה.
15:20
And when I leave here, I'm going to go back
308
895000
2000
וכאשר אעזוב כאן, אחזור לשבת
15:22
and sit in my tiny office, and my computer, and my data.
309
897000
3000
במשרדי הקטן, ועם המחשב והנתונים שלי --
15:25
And the thing that's most exciting about that
310
900000
2000
והדבר המרגש ביותר בקשר לזה
15:27
is every time I think about research, there are more questions.
311
902000
3000
הוא שבכל פעם שאני חושבת על המחקר, מתעוררות עוד שאלות.
15:30
There are more things that I think that I want to do.
312
905000
2000
יש יותר דברים שאני חושבת שעליי לבצע.
15:32
And what's really, really great about being here
313
907000
2000
ומה שבאמת נהדר בלהיות פה
15:34
is I'm sure that the questions that you guys have
314
909000
2000
הוא שאני בטוחה שהשאלות שיש לכם
15:36
are very, very different than the questions that I think up myself.
315
911000
3000
הן מאוד מאוד שונות מהשאלות שאני מעלה.
15:39
And I can't wait to hear about what they are.
316
914000
2000
ולכן איני יכולה כבר לחכות לשמוע את השאלות שלכם.
15:41
So thank you very much.
317
916000
2000
תודה רבה לכם.
ABOUT THE SPEAKER
Emily Oster - Assumption-busting economistEmily Oster, a University of Chicago economist, uses the dismal science to rethink conventional wisdom, from her Harvard doctoral thesis that took on famed economist Amartya Sen to her recent work debunking assumptions on HIV prevalence in Africa.
Why you should listen
Emily Oster, an Assistant Professor of Economics at the University of Chicago, has a history of rethinking conventional wisdom.
Her Harvard doctoral thesis took on famed economist Amartya Sen and his claim that 100 million women were statistically missing from the developing world. He blamed misogynist medical care and outright sex-selective abortion for the gap, but Oster pointed to data indicating that in countries where Hepetitis B infections were higher, more boys were born. Through her unorthodox analysis of medical data, she accounted for 50% of the missing girls. Three years later, she would publish another paper amending her findings, stating that, after further study, the relationship between Hepetitis B and missing women was not apparent. This concession, along with her audacity to challenge economic assumptions and her dozens of other influential papers, has earned her the respect of the global academic community.
She's also investigated the role of bad weather in the rise in witchcraft trials in Medieval Europe and what drives people to play the Powerball lottery. Her latest target: busting assumptions on HIV in Africa.
And she's an advice columnist too >>
Emily Oster | Speaker | TED.com