TED2006
Hans Rosling: The best stats you've ever seen
הנס רוסלינג מציג את הנתונים הכי טובים שיצא לכם לראות
Filmed:
Readability: 3.6
14,386,844 views
עוד לא ראיתם נתונים מוצגים בדרך זו. באמצעות הדרמה והדחיפות של שדר ספורט, גורו הסטטיסטיקה הנס רוסלינג מפריך מיתוסים אודות "העולם המתפתח" לכאורה.
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
לפני כעשר שנים לקחתי לעצמי את המשימה ללמד
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
סטודנטים שוודים לתואר ראשון על התפתחות גלובלית. זה היה לפני
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
שביליתי כעשרים שנה עם מוסדות אפריקניים בחקר
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
הרעב באפריקה. כך שציפו שאדע משהו על העולם.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
התחלתי באוניברסיטה שלנו לרפואה, מכון קרולינסקה,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
קורס שנקרא 'בריאות גלובלית'. אבל כשמקבלים
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
הזדמנות כזאת, נעשים קצת עצבניים. חשבתי,
00:53
coming to us actually have the highest grade you can get
7
28000
3000
לסטודנטים שבאים לכאן יש הציונים הכי גבוהים
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
באקדמיה של שוודיה. אז אולי הם כבר יודעים
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
את כל מה שאלמד אותם. אז עשיתי להם מבחן מקדים.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
וזו הייתה אחת השאלות שמהן למדתי רבות:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"מבין חמשת הזוגות, באיזו מדינה תמותת התינוקות הכי גבוהה"?
01:10
And I put them together, so that in each pair of country,
12
45000
4000
וחילקתי אותן כך שבכל זוג מדינות,
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
תמותת התינוקות באחת גבוהה פי שניים מבשנייה,
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
וזה אומר שההבדל גדול בהרבה מחוסר הוודאות של הנתונים.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
אני לא אבחן אתכם עכשיו, אבל זו טורקיה,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
שהכי גבוהה שם, פולין, רוסיה, פקיסטן ודרום אפריקה.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
ואלה התוצאות של הסטודנטים משוודיה. סידרתי כך שיהיה
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
רווח בר סמך, שהוא די צר, ומובן ששמחתי:
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
היו 1.8 תשובות נכונות מתוך חמש אפשריות. פירוש הדבר
01:41
there was a place for a professor of international health --
20
76000
3000
הוא שיש צורך בפרופסור לבריאות עולמית ובקורס שלי--
01:44
(Laughter) and for my course.
21
79000
2000
ובקורס שלי (צחוק)
01:46
But one late night, when I was compiling the report
22
81000
4000
אך לילה אחד, כשערכתי את הדו"ח,
01:50
I really realized my discovery. I have shown
23
85000
4000
הבנתי את התגלית שלי באמת.
01:54
that Swedish top students know statistically significantly less
24
89000
5000
הראיתי שסטודנטים מצטיינים משוודיה יודעים הרבה פחות מבחינה סטטיסטית
01:59
about the world than the chimpanzees.
25
94000
2000
על העולם מאשר שימפנזים.
02:01
(Laughter)
26
96000
2000
(צחוק)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
כי שימפנזים היו עונים על חצי מהתשובות נכון,
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
אם הייתי נותן להם שתי בננות עם סרי לנקה וטורקיה. הם .היו עונים נכון על חצי.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
אבל הסטודנטים עוד לא שם. הבעיה שם לא הייתה בורות:
02:14
it was preconceived ideas.
30
109000
3000
הבעיה הייתה רעיונות מעוצבים מראש.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
ערכתי מחקר לא מוסרי גם בפרופסורים של מכון קרולינסקה
02:21
(Laughter)
32
116000
1000
(צחוק)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
זה שמעניק את פרס נובל לרפואה,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
והם ברמה של השימפנזות.
02:26
(Laughter)
35
121000
3000
(צחוק)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
אז הבנתי שיש צורך אמיתי בתקשורת,
02:33
because the data of what's happening in the world
37
128000
3000
כיוון שהנתונים על מה שקורה בעולם
02:36
and the child health of every country is very well aware.
38
131000
3000
ועל בריאות הילד בכל מדינה יכולים לספר המון.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
בנינו תוכנה שמציגה זאת כך: כל בועה היא מדינה.
02:44
This country over here is China. This is India.
40
139000
6000
המדינה הזאת היא סין. זו הודו.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
גודל הבועה הוא האוכלוסייה, ועל הציר הזה מוצב שיעור הפריון.
02:56
Because my students, what they said
42
151000
3000
כי הסטודנטים שלי, מה שהם אמרו
02:59
when they looked upon the world, and I asked them,
43
154000
2000
כשהם הביטו בעולם ושאלתי אותם,
03:01
"What do you really think about the world?"
44
156000
2000
"מה אתם באמת חושבים על העולם"?
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
דבר ראשון, גיליתי שספר הלימוד היה בעיקר טינטין.
03:07
(Laughter)
46
162000
1000
(צחוק)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
והם אמרו: "העולם הוא עדיין 'אנחנו' ו'הם'.
03:11
And we is Western world and them is Third World."
48
166000
3000
"ואנחנו העולם המערבי והם העולם השלישי".
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"ולמה אתם מתכוונים בעולם המערבי?" אמרתי.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"ובכן, חיים ארוכים ומשפחה קטנה, ובעולם השלישי יש חיים קצרים ומשפחה גדולה".
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
אז זה מה שאפשר להציג פה. שיעור הפריון מוצב כאן ,מספר ילדים לאישה,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
אחד, שניים, שלושה, ארבעה, עד שמונה ילדים לאישה.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
יש לנו נתונים טובים מאוד מ-1962, 1960, על גודל המשפחה בכל המדינות.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
מרווח הטעות קטן. כאן מוצבת תוחלת החיים בעת הלידה,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
מגיל 30 במדינות מסוימות עד גיל 70 בערך.
03:45
And 1962, there was really a group of countries here
56
200000
3000
וב-1962, ממש הייתה קבוצה של מדינות כאן
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
שהן מדינות מתועשות, עם משפחות קטנות וחיים ארוכים.
03:53
And these were the developing countries:
58
208000
2000
ואלה היו המדינות המתפתחות:
03:55
they had large families and they had relatively short lives.
59
210000
3000
היו להן משפחות גדולות וחיים קצרים יחסית.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
אז מה קרה מאז 1962? אנחנו רוצים לראות שינוי.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
האם הסטודנטים צודקים? האם עדיין יש שני סוגים של ארצות?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
או שהמשפחות במדינות המתפתחות התכווצו והן נמצאות כאן?
04:09
Or have they got longer lives and live up there?
63
224000
2000
או שהחיים התארכו והן נמצאות שם למעלה?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
בואו נראה. עצרנו את העולם כאן. כל אלה סטטיסטיקות של האו"ם
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
שהיו זמינות לנו. הנה. אתם רואים שם?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
הנה סין, נעה נגד בריאות טובה יותר, משתפרת שם.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
כל הארצות הלטיניות הירוקות נעות לכיוון משפחות קטנות יותר.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
הצהובות הן מדינות ערביות,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
והמשפחות גדלות, לא, החיים מתארכים, אבל המשפחות לא גדלות.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
האפריקאים הם הירוקים שם. הם נשארים שם.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
הנה הודו. אינדונזיה מתקדמת ממש מהר.
04:36
(Laughter)
72
251000
1000
(צחוק)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
ובשנות השמונים, בנגלדש עדיין עם המדינות האפריקאיות שם.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
אבל עכשיו בנגלדש, זה נס שהתרחש בשנות השמונים:
04:43
the imams start to promote family planning.
75
258000
3000
האימאמים התחילו לקדם תכנון משפחה.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
הם נעים לפינה שם למעלה. ובשנות התשעים, מגיפת ,האיידס האיומה
04:51
that takes down the life expectancy of the African countries
77
266000
3000
שמורידה את תוחלת החיים במדינות האפריקאיות
04:54
and all the rest of them move up into the corner,
78
269000
4000
וכל השאר נעות לפינה העליונה,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
והנה קיבלנו חיים ארוכים ומשפחה קטנה, ועולם חדש לגמרי.
05:02
(Applause)
80
277000
13000
(כפיים)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
הרשו לי להשוות באופן ישיר בין ארצות הברית לויטנאם.
05:20
1964: America had small families and long life;
82
295000
5000
ב-1964, באמריקה יש משפחות קטנות וחיים ארוכים.
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
בויטנאם יש משפחות גדולות וחיים קצרים. וזה מה שקורה:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
הנתונים לאורך המלחמה מראים שלמרות כל ההרג,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
חל שיפור בתוחלת החיים. בסוף השנה,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
התחיל תכנון המשפחה בויטנאם, והם עברו למשפחות קטנות.
05:41
And the United States up there is getting for longer life,
87
316000
3000
ולמעלה ארצות הברית משיגה חיים ארוכים יותר,
05:44
keeping family size. And in the '80s now,
88
319000
3000
ושומרת על גודל המשפחה. ועכשיו בשנות השמונים,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
הם מוותרים על תכנון קומוניסטי ועוברים לכלכלת שוק,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
וזה זז עוד יותר מהר מהחיים החברתיים. וכיום
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
יש בויטנאם אותה תוחלת חיים ואותו גודל משפחה,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
כאן בויטנאם ב-2003, כמו בארצות הברית ב-1974, בסוף המלחמה.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
אני חושב שכולנו, אם לא מסתכלים בנתונים,
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
ממעיטים בערך השינוי העצום באסיה,
06:14
in social change before we saw the economical change.
95
349000
4000
שהיה שינוי חברתי לפני שראינו את השינוי הכלכלי.
06:18
Let's move over to another way here in which we could display
96
353000
5000
בואו נמשיך בדרך אחרת להצגת
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
החלוקה בהכנסת העולם. זו חלוקת ההכנסה של אנשים בעולם.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
דולר אחד, עשרה דולר, מאה דולר ליום.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
אין פער בין עשירים לעניים יותר. זה מיתוס.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
יש גבעה קטנה כאן. אבל יש אנשים בכל השלבים.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
ואם נראה לאן ההכנסה הולכת,
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
אלה מאה אחוז מההכנסות השנתיות בעולם. ועשרים האחוז העשירים,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
הם מקבלים כ-74 אחוז. ועשרים האחוז העניים
07:01
they take about two percent. And this shows that the concept
104
396000
5000
מקבלים כשני אחוזים. וזה מראה שהמושג
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
של מדינות מתפתחות הוא מאוד מפוקפק. אנחנו חושבים על סיוע,
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
כאילו האנשים שכאן מסייעים לאנשים שכאן. אבל באמצע,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
נמצאת רוב אוכלוסיית העולם, והיא מקבלת 24 אחוז מההכנסות.
07:19
We heard it in other forms. And who are these?
108
414000
4000
שמענו את זה בצורות אחרות. ובמי מדובר?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
איפה המדינות השונות? אראה לכם את אפריקה.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
הנה אפריקה. עשרה אחוז מאוכלוסיית העולם, רובם עניים.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
זה הארגון לשיתוף פעולה כלכלי ופיתוח. המדינות העשירות של האו"ם.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
והן נמצאות בצד הזה. יש חפיפה של ממש בין אפריקה לארגון לשיתוף פעולה.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
והנה אמריקה הלטינית. יש בה הכול,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
מהעני ביותר לעשיר ביותר, באמריקה הלטינית.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
ומעליהן נוכל לשים את מזרח אירופה, את מזרח אסיה,
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
ונשים את דרום אסיה. ואיך זה נראה
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
אם חוזרים בזמן לשנת 1970? יש כאן גבעה.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
ורוב מי שחי בעוני מוחלט חי באסיה.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
הבעיה העולמית הייתה העוני באסיה. ואם נזיז את העולם קדימה,
08:14
you will see that while population increase, there are
120
469000
3000
תראו שיחד עם גדילת האוכלוסייה,
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
מאות מיליונים באסיה יוצאים מהעוני, ואחרים נכנסים לעוני,
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
וזה הדפוס שקיים היום.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
והתחזית הכי טובה של הבנק העולמי היא שזה מה שיקרה,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
והעולם לא יהיה מחולק יותר. רוב האנשים יהיו במרכז.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
מובן שזוהי סקאלה לוגריתמית,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
אבל הרעיון בכלכלה הוא צמיחה לפי אחוזים. אנו רואים בזה
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
אפשרות של צמיחה לפי אחוזים. אם נשנה זאת,
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
וניקח תל"ג לנפש במקום הכנסה משפחתית,
08:48
individual data into regional data of gross domestic product,
129
503000
6000
ונהפוך נתונים אישיים לנתונים אזוריים של תוצר לאומי גולמי,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
וניקח את האזורים שכאן למטה, גודל הבועה הוא עדיין אוכלוסייה.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
והארגון לשיתוף פעולה כאן, ואפריקה שמדרום לסהרה כאן,
09:01
and we take off the Arab states there,
132
516000
3000
וניקח את המדינות הערביות כאן,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
שיוצאות מאפריקה ומאסיה, ונציב אותן בנפרד,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
ונוכל להרחיב את הציר, ואפשר לתת לו כאן ממד חדש,
09:13
by adding the social values there, child survival.
135
528000
3000
על-ידי הוספת ערכים חברתיים כאן, הישרדות ילדים.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
עכשיו הכסף נמצא על הציר הזה, והסיכוי להישרדות ילדים נמצא כאן.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
בחלק מהמדינות, 99.7 אחוז מהילדים שורדים עד גיל חמש.
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
באחרות, רק שבעים אחוז. וכאן נראה שיש פער
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
בין הארגון לשיתוף פעולה, אמריקה הלטינית, מזרח אירופה, מזרח אסיה,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
מדינות ערביות, דרום אסיה ואפריקה שמדרום לסהרה.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
יש יחס מאוד ישיר בין הישרדות ילדים לכסף.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
אבל עכשיו נפצל את אפריקה שמדרום לסהרה. הבריאות כאן טובה מהבריאות שכאן.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
אפשר לעבור לכאן ולפצל את אפריקה שמדרום הסהרה למדינות.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
וכשהיא נפתחת, הגודל של בועת המדינה הוא גודל האוכלוסייה.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
סיירה לאונה שם למטה. מאוריציוס שם למעלה. מאוריציוס היא הראשונה
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
שנפטרה ממחסומי סחר, והם יכולים היו למכור את הסוכר שלהם
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
ולמכור טקסטיל בתנאים זהים לאלה של האנשים באירופה וצפון אמריקה.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
יש פער עצום בתוך אפריקה. וגאנה נמצאת באמצע.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
בסיירה לאונה, סיוע הומניטארי.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
כאן באוגנדה, סיוע התפתחותי. כאן אפשר לבלות זמן,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
אפשר לצאת לחופשה. יש מגוון עצום
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
בתוך אפריקה, שנדיר שנבחין בכך שהיא לא שווה בכול.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
אפשר לפצל את דרום אסיה כאן. הודו היא הבועה הגדולה במרכז.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
אבל הבדל בין אפגניסטן לסרי לנקה הוא עצום.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
אפשר לפצל מדינות ערביות. מה איתן? אותם אקלים ותרבות,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
אותה דת. הבדל עצום. אפילו בין שכנים.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
תימן, מלחמת אזרחים. האמירויות המאוחדות, כסף שהושקע היטב ובשוויוניות.
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
לא כמו באגדה. וזה כולל את כל ילדי העובדים הזרים בארץ.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
פעמים רבות, הנתונים טובים משחושבים. הרבה אנשים אומרים שהנתונים לא טובים.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
יש טווח אי ודאות, אך ניתן לראות את הפער כאן:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
קמבודיה, סינגפור. הפערים הרבה יותר גדולים
11:11
than the weakness of the data. East Europe:
162
646000
3000
מנקודות התורפה של הנתונים. מזרח אירופה:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
כלכלה סובייטית במשך זמן רב, אך לאחר עשר שנים,
11:20
very, very differently. And there is Latin America.
164
655000
3000
הן מאוד, מאוד שונות. והנה אמריקה הלטינית.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
כיום, לא צריך ללכת לקובה כדי למצוא מדינה בריאה באמריקה הלטינית.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
בעוד כמה שנים, לצ'ילה תהיה תמותת ילדים נמוכה משל קובה.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
והנה מדינות עם הכנסה גבוהה בארגון לשיתוף פעולה כלכלי ופיתוח.
11:35
And we get the whole pattern here of the world,
168
670000
4000
וכאן הדפוס של העולם כולו,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
שהוא פחות או יותר כזה. ואם נביט בו,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
באיך שהוא נראה, העולם, ב-1960, הוא מתחיל להשתנות. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
הנה מאו צה טונג. הוא הביא בריאות לסין. ואז הוא מת.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
ואז דנג שיאופינג הגיע והביא כסף לסין, והחזיר אותם לזרם המרכזי.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
וראינו איך המדינות נעות כך בכיוונים שונים,
12:02
so it's sort of difficult to get
174
697000
4000
אז קצת קשה לקבל מדינה לדוגמה
12:06
an example country which shows the pattern of the world.
175
701000
5000
שמציגה את הדפוס העולמי.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
אני רוצה להחזיר אתכם ל-1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
אני רוצה להשוות בין דרום קוריאה, הנה, לברזיל,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
הנה היא. התווית ברחה לי. ואני רוצה להשוות בין אוגנדה,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
הנה היא. ואפשר להריץ קדימה, כך.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
וניתן לראות איך דרום קוריאה מתקדמת מהר מאוד,
12:46
whereas Brazil is much slower.
181
741000
3000
בעוד ברזיל הרבה יותר איטית.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
ואם נחזור אחורה, כך, ונציב מעקב עליהן, כך,
12:55
you can see again that the speed of development
183
750000
4000
ניתן שוב לראות שמהירות ההתפתחות
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
שונה מאוד, והמדינות נעות פחות או יותר
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
באותו קצב כמו כסף ובריאות, אך נראה שניתן לנוע
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
הרבה יותר מהר אם אתה קודם בריא לעומת אם אתה קודם עשיר.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
וכדי להציג זאת, ניתן להציג את המסלול של איחוד האמירויות הערביות.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
הן מגיעות מכאן, מדינת משאבים. הם מכרו את הנפט,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
קיבלו את הכסף, אבל אי אפשר לקנות בריאות בסופרמרקט.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
בבריאות צריך להשקיע. צריך ללמד את הילדים.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
צריך להכשיר עובדי רפואה. צריך לחנך את האוכלוסייה.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
ושייח סאייד הצליח בכך לא מעט.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
ולמרות צניחת מחירי הנפט, הוא העלה את המדינה שלו לשם.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
כך שיש לנו מראה הרבה יותר מאוזן של העולם,
13:43
where all countries tend to use their money
195
798000
2000
כשכל המדינות נוטות להשקיע את כספן
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
טוב יותר מבעבר. ובכן, כך זה נראה,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
כשמביטים בנתונים הממוצעים של המדינות. הן נראות כך.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
וזה מסוכן, להשתמש בנתונים ממוצעים, כי יש פערים גדולים בתוך מדינות.
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
אז אם נסתכל כאן, נוכל לראות
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
שאוגנדה היום היא כפי שקוריאה הייתה ב-1960. אם נפצל את אוגנדה,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
יש פער משמעותי בתוך אוגנדה. אלה חמישיות מאוגנדה.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
כאן עשרים האחוזים העשירים ביותר באוגנדה.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
העניים ביותר כאן למטה. אם נפצל את דרום אפריקה, היא נראית כך:
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
אם נביט בניגריה, שבה היה רעב נוראי,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
לבסוף, היא נראית כך. עשרים האחוזים העניים בניגריה נמצאים כאן,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
ועשרים האחוזים העשירים של דרום אפריקה נמצאים שם,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
ועדיין אנו דנים בפתרונות שיתאימו לאפריקה.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
באפריקה קיים הכול. אי אפשר לדון
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
על גישה עולמית לטיפול באיידס עבור החמישייה שלמעלה
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
עם אותה אסטרטגיה כמו כאן למטה
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
על שיפור העולם להיות תלוי הקשר, ואין זה רלוונטי
15:00
on regional level. We must be much more detailed.
212
875000
3000
לבצע אותו ברמה האזורית. צריך הרבה יותר פירוט.
15:03
We find that students get very excited when they can use this.
213
878000
4000
אפשר לראות שסטודנטים מאוד מתרגשים להשתמש בזה.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
וקובעי מדיניות ואנשי המגזר העסקי ירצו אף יותר
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
לראות איך העולם משתנה. אז למה זה לא קורה?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
למה אנחנו לא משתמשים בנתונים הקיימים? יש לנו נתונים באו"ם,
15:20
in the national statistical agencies
217
895000
2000
בסוכנויות הסטטיסטיקה הלאומיות
15:22
and in universities and other non-governmental organizations.
218
897000
4000
ובאוניברסיטאות ובארגונים לא-ממשלתיים אחרים.
15:26
Because the data is hidden down in the databases.
219
901000
2000
מפני שהנתונים חבויים במאגרי הנתונים.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
והנה הציבור, והאינטרנט שם, אבל עדיין לא עושים בהם שימוש יעיל.
15:33
All that information we saw changing in the world
221
908000
3000
כל המידע המשתנה שראינו על העולם
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
לא כולל סטטיסטיקות במימון ציבורי. יש כמה דפי אינטרנט,
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
כמו הדף הזה, אבל הם לוקחים קצת תזונה ממאגרי הנתונים,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
אבל אנשים עורמים עליהם מחירים, סיסמאות מטופשות וסטטיסטיקות משעממות.
15:51
(Laughter) (Applause)
225
926000
3000
(צחוק, כפיים)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
וזה לא יעבוד. אז מה דרוש לנו? יש לנו מאגרי נתונים.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
לא צריך מאגר נתונים חדש. יש לנו כלי תכנון נהדרים,
16:02
and more and more are added up here. So we started
228
937000
3000
ויותר ויותר נוספים כאן. אז התחלנו
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
יוזמה ללא מטרות רווח, שמחברת נתונים לתכנון,
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
וקראנו לה 'בוחן הפערים', מהרכבת התחתית של לונדון,
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
בה מזהירים "לשים לב לפער". אז חשבנו שהשם מתאים.
16:16
And we started to write software which could link the data like this.
232
951000
4000
והתחלנו לכתוב תוכנה שתוכל לקשר כך בין נתונים.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
וזה לא היה כל כך קשה. זה לקח כמה שנות עובד, ויצרנו הנפשות.
16:26
You can take a data set and put it there.
234
961000
2000
אפשר לקחת אוסף נתונים ולשים אותו כאן.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
אנחנו משחררים נתונים מהאו"ם, מכמה ארגוני או"ם.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
מדינות מסוימות מסכימות לשחרר מאגרי נתונים לעולם,
16:37
but what we really need is, of course, a search function.
237
972000
3000
אבל מה שצריך באמת, כמובן, הוא פעולת חיפוש.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
פעולת חיפוש שאיתה אפשר להעתיק נתונים בתבנית שניתן לחפש
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
ולשחרר אותם אל העולם. ומה אנחנו שומעים כשאנחנו מבררים?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
חקרתי בצורה אנתרופולוגית את יחידות הסטטיטיקה המרכזיות. כולם אומרים,
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"זה בלתי אפשרי. אי אפשר לעשות זאת. המידע שלנו כל כך מיוחד
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
"ברמת הפירוט שלו, אי אפשר לחפש בו כמו שאפשר באחרים.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
"אי אפשר לתת את הנתונים בחינם לסטודנטים, בחינם לחברות בעולם".
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
אבל זה מה שנרצה לראות, נכון?
17:08
The publicly-funded data is down here.
245
1003000
3000
.הנתונים במימון ציבורי נמצאים כאן למטה
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
ואנחנו רוצים שפרחים יפרחו באינטרנט.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
ואחת הנקודות העיקריות היא לאפשר את החיפוש בהם ואז אפשר יהיה
17:19
the different design tool to animate it there.
248
1014000
2000
להשתמש בכלי התכנון בשביל ההנפשה.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
ויש לי חדשות טובות בשבילכם. החדשות הטובות הן שהיום,
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
המנהל החדש של סטטיסטיקות האו"ם לא אומר שזה בלתי אפשרי.
17:30
He only says, "We can't do it."
251
1025000
2000
הוא רק אומר, "אנחנו לא יכולים".
17:32
(Laughter)
252
1027000
4000
(צחוק)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
זה בחור חכם, כן?
17:38
(Laughter)
254
1033000
2000
(צחוק)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
כך שבשנים הקרובות נראה הרבה התפתחויות בנתונים.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
נוכל להסתכל בחלוקות הכנסה בדרכים שונות לחלוטין.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
זו חלוקת ההכנסה בסין, 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
חלוקת ההכנסה בארצות הברית, 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
אין חפיפה כמעט. ומה קרה?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
מה שקרה הוא שסין צומחת, היא כבר לא כל כך שוויונית,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
והיא מופיעה כאן, משקיפה מעל ארצות הברית.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
כמעט כמו רוח רפאים, נכון?
18:14
(Laughter)
263
1069000
2000
(צחוק)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
זה די מפחיד. אבל אני חושב שחשוב לקבל את כל המידע הזה.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
אנחנו צריכים ממש לראות את זה. ובמקום להביט בזה,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
אני רוצה להראות לסיום את משתמשי האינטרנט לכל אלף איש.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
בתוכנה הזאת, אנו ניגשים בקלות לכחמש מאות משתנים מכל המדינות.
18:42
It takes some time to change for this,
268
1097000
4000
לוקח לה קצת זמן להתאים את זה,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
אבל על הצירים, אפשר לראות בקלות כל משתנה שתרצו.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
והרעיון הוא לקבל את מאגרי הנתונים בחינם,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
לאפשר חיפוש בהם, ובלחיצת עכבר נוספת
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
להעביר אותם לתבנית הגרפית, שמאפשרת להבין אותם מיד.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
הסטטיסטיקאים לא אוהבים את זה, כי לטענתם
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
זה לא יציג את המציאות; צריך דרכים סטטיסטיות ואנליטיות.
19:16
But this is hypothesis-generating.
275
1131000
3000
אבל זה עוזר ליצור היפותזות.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
אסיים כעת עם העולם. הנה, האינטרנט מגיע.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
מספר משתמשי האינטרנט גדל כך. זה התל"ג לנפש.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
וזו כניסה של טכנולוגיה חדשה,
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
אבל ההתאמה שלה לכלכלת המדינות מדהימה.
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
לכן המחשב במאה דולר יהיה כה חשוב. אבל זו מגמה נחמדה.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
זה כאילו העולם משתטח, נכון? המדינות האלה
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
נושאות יותר ויותר מהכלכלה, ויהיה מעניין
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
לעקוב אחריהן במהלך השנה, כפי שאני רוצה שתוכלו לעשות
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
.באמצעות כל הנתונים במימון ציבורי. תודה רבה לכם
19:53
(Applause)
285
1168000
3000
(כפיים)
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