TED2007
Emily Oster: Flip your thinking on AIDS in Africa
Emily Oster a feje tetejére állítja az afrikai AIDS-ről alkotott fogalmainkat.
Filmed:
Readability: 4.2
921,618 views
Emily Oster átvizsgálja az afrikai AIDS statisztikákat a közgazdaságtan szemszögéből, és megállapítja: minden, amit a HIV terjedéséről tudtunk a kontinensen, rossz.
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
Ma az AIDS-ről fogok beszélni Afrika déli felében.
00:29
And this is a pretty well-educated audience,
1
4000
2000
Ez egy tanult hallgatóság,
00:31
so I imagine you all know something about AIDS.
2
6000
3000
gondolom, tudnak pár dolgot az AIDS-ről.
00:34
You probably know that roughly 25 million people in Africa
3
9000
2000
Valószínűleg tudják, hogy nagyjából 25 milló
00:36
are infected with the virus, that AIDS is a disease of poverty,
4
11000
4000
fertőzött van, és hogy az AIDS a szegénység betegsége.
00:40
and that if we can bring Africa out of poverty, we would decrease AIDS as well.
5
15000
4000
Ahogy Afrikát kisegítjük a szegénységből, az AIDS csökken.
00:44
If you know something more, you probably know that Uganda, to date,
6
19000
3000
Lehet, hogy azt is tudják, hogy Uganda máig az egyetlen
00:47
is the only country in sub-Saharan Africa
7
22000
2000
ország Afrika déli felében
00:49
that has had success in combating the epidemic.
8
24000
3000
amely sikeresen vette fel a harcot a járvánnyal,
00:52
Using a campaign that encouraged people to abstain, be faithful, and use condoms --
9
27000
4000
egy kampánnyal, amiben buzdították az embereket absztinenciára,
00:56
the ABC campaign -- they decreased their prevalence in the 1990s
10
31000
4000
hűségre, óvszerhasználatra. 1990 óta csökkent az előfordulás
01:00
from about 15 percent to 6 percent over just a few years.
11
35000
4000
kb 15%-ról 6%-ra, pár év alatt.
01:04
If you follow policy, you probably know that a few years ago
12
39000
3000
Ha követik az eseményeket, talán tudják, hogy pár éve
01:07
the president pledged 15 billion dollars to fight the epidemic over five years,
13
42000
4000
az elnök 15 milliárd dollárt itélt meg ötéves periódusra
01:11
and a lot of that money is going to go to programs that try to replicate Uganda
14
46000
3000
és egy csomó pénzt költenek arra, hogy az Ugandai programot lemásolják,
01:14
and use behavior change to encourage people and decrease the epidemic.
15
49000
6000
és megváltoztassák az emberek hozzáállását, harcolva a járvánnyal.
01:20
So today I'm going to talk about some things
16
55000
2000
Ma fogok beszélni pár dolgoról,
01:22
that you might not know about the epidemic,
17
57000
2000
amit talán nem tudnak a járványról.
01:24
and I'm actually also going to challenge
18
59000
2000
És talalán olyan dolgokat is meg fogok ingatni,
01:26
some of these things that you think that you do know.
19
61000
2000
amit tudni véltek.
01:28
To do that I'm going to talk about my research
20
63000
3000
A saját kutatásaimat fogom bemutatni ehhez,
01:31
as an economist on the epidemic.
21
66000
2000
amit közgazdászként végeztem.
01:33
And I'm not really going to talk much about the economy.
22
68000
2000
De nem sok szó fog esni gazdaságtanról.
01:35
I'm not going to tell you about exports and prices.
23
70000
3000
Nem beszélek exportról és árakról.
01:38
But I'm going to use tools and ideas that are familiar to economists
24
73000
4000
Inkább a gazdaságtan eszközeivel és megközelítésével fogom
01:42
to think about a problem that's more traditionally
25
77000
2000
elemezni ezt a kérdést, amit hagyományosan
01:44
part of public health and epidemiology.
26
79000
2000
az egészségügy vagy epidemiológia vizsgál.
01:46
And I think in that sense, this fits really nicely with this lateral thinking idea.
27
81000
4000
Azt hiszem, ezel megvalósítom a de Bono-i laterális gondolkodást.
01:50
Here I'm really using the tools of one academic discipline
28
85000
3000
Mivel egy tudományág eszköztárával vizsgálom
01:53
to think about problems of another.
29
88000
2000
egy másik problémáit.
01:55
So we think, first and foremost, AIDS is a policy issue.
30
90000
3000
Tehát úgy véljük, hogy az AIDS elsősorban politika kérdése.
01:58
And probably for most people in this room, that's how you think about it.
31
93000
3000
Valószínűleg mindenki így véli ebben a teremben.
02:01
But this talk is going to be about understanding facts about the epidemic.
32
96000
4000
De ma nem erről lesz szó, hanem az adatok megértéséről.
02:05
It's going to be about thinking about how it evolves, and how people respond to it.
33
100000
3000
Arról, hogyan és mitől változik, az emberek hogy reagálnak rá.
02:08
I think it may seem like I'm ignoring the policy stuff,
34
103000
3000
Talán úgy nézhet ki, hogy nem foglalkozom a politikával,
02:11
which is really the most important,
35
106000
2000
ami pedig a legfontosabb.
02:13
but I'm hoping that at the end of this talk you will conclude
36
108000
2000
De remélem a végére belátják
02:15
that we actually cannot develop effective policy
37
110000
2000
hogy a megfelelő politikához
02:17
unless we really understand how the epidemic works.
38
112000
3000
értenünk kell, hogy viselkedik ez a járvány.
02:20
And the first thing that I want to talk about,
39
115000
2000
Az első dolog, amiről szólni szeretnék,
02:22
the first thing I think we need to understand is:
40
117000
2000
amit meg kell értenünk, az az,
02:24
how do people respond to the epidemic?
41
119000
2000
hogyan reagálnak az emberek a járványra.
02:26
So AIDS is a sexually transmitted infection, and it kills you.
42
121000
4000
Tehát az AIDS egy nemi úton terjedő betegség, ami megöl.
02:30
So this means that in a place with a lot of AIDS,
43
125000
2000
Azaz ahol sok az AIDS,
02:32
there's a really significant cost of sex.
44
127000
2000
a szex egy költséges dolog.
02:34
If you're an uninfected man living in Botswana, where the HIV rate is 30 percent,
45
129000
4000
Ha egy egészséges ember vagy Botswana-ban, ahol 30% HIV fertőzött,
02:38
if you have one more partner this year -- a long-term partner, girlfriend, mistress --
46
133000
4000
egyel több partnered van egy évben - élettárs, barátnő vagy alkalmi -
02:42
your chance of dying in 10 years increases by three percentage points.
47
137000
4000
három százalékkal nagyobb eséllyel halsz meg 10 éven belül.
02:46
That is a huge effect.
48
141000
2000
Ez komoly szám.
02:48
And so I think that we really feel like then people should have less sex.
49
143000
3000
Azt gondoljuk, hogy csökken a szexuális aktivitás.
02:51
And in fact among gay men in the US
50
146000
2000
Valóban ez a helyzet a megelek körében, az USA-ban,
02:53
we did see that kind of change in the 1980s.
51
148000
2000
ahogy láttuk a 80-as években.
02:55
So if we look in this particularly high-risk sample, they're being asked,
52
150000
4000
Ha tehát tekintjük ezt a kiemelten magas rizikójú csoportot, a kérdésre, hogy
02:59
"Did you have more than one unprotected sexual partner in the last two months?"
53
154000
3000
"Volt-e védekezés nélküli szexuálsi kapcsolata az elmúlt két hónapban?"
03:02
Over a period from '84 to '88, that share drops from about 85 percent to 55 percent.
54
157000
6000
a válasz 84-től 88-ig terjedő időszakban 85%-ról 55%-ra csökkent.
03:08
It's a huge change in a very short period of time.
55
163000
2000
Nagy változás igen kis idő alatt.
03:10
We didn't see anything like that in Africa.
56
165000
2000
Ilyesmit Afrikában nem látni.
03:12
So we don't have quite as good data, but you can see here
57
167000
3000
Nem olyan pontos az adat, de látható, hogy
03:15
the share of single men having pre-marital sex,
58
170000
2000
a házasság előtti szex aránya
03:17
or married men having extra-marital sex,
59
172000
2000
és a házasságon kívüli szex aránya
03:19
and how that changes from the early '90s to late '90s,
60
174000
3000
hogy változott a 90-es években, illetve
03:22
and late '90s to early 2000s. The epidemic is getting worse.
61
177000
3000
a 90-es évek végétől a 2000-es évekig. Romlás figyelhető meg.
03:25
People are learning more things about it.
62
180000
2000
Az emberek informáltabbak, de
03:27
We see almost no change in sexual behavior.
63
182000
2000
semmi változás a szexuális életben.
03:29
These are just tiny decreases -- two percentage points -- not significant.
64
184000
4000
Van két százalékos, nem szignifikáns csökkenés.
03:33
This seems puzzling. But I'm going to argue that you shouldn't be surprised by this,
65
188000
4000
Furcsának tűnik, de megpróbálom bemutatni, hogy nem meglepő.
03:37
and that to understand this you need to think about health
66
192000
3000
Hogy megértsék, gondolkodjanak el az egészségről
03:40
the way than an economist does -- as an investment.
67
195000
3000
közgazdászként: mint befektetés.
03:43
So if you're a software engineer and you're trying to think about
68
198000
3000
Ha te egy programozó vagy, és az a dolgod, hogy eldöntsd,
03:46
whether to add some new functionality to your program,
69
201000
3000
egy új funkció bekerüljön-e a programodba, vagy sem,
03:49
it's important to think about how much it costs.
70
204000
2000
persze meg kell gondolnod a költségeit.
03:51
It's also important to think about what the benefit is.
71
206000
2000
De át kell gondolni a hasznát is.
03:53
And one part of that benefit is how much longer
72
208000
2000
Például azt, hogy mennyi ideig
03:55
you think this program is going to be active.
73
210000
2000
lesz a program használatban.
03:57
If version 10 is coming out next week,
74
212000
2000
Ha a 10-es verzió egy hét múlva jön ki,
03:59
there's no point in adding more functionality into version nine.
75
214000
3000
nem sok értelme van fejleszteni a 9-es verziót.
04:02
But your health decisions are the same.
76
217000
2000
Az egészség esetén is így működik.
04:04
Every time you have a carrot instead of a cookie,
77
219000
2000
Amikor inkább répát eszel süti helyett,
04:06
every time you go to the gym instead of going to the movies,
78
221000
3000
amikor tornázol ahelyett, hogy moziba mennél,
04:09
that's a costly investment in your health.
79
224000
2000
befektetsz az egészségedbe.
04:11
But how much you want to invest is going to depend
80
226000
2000
Hogy mennyit áldozol erre, az attól függ,
04:13
on how much longer you expect to live in the future,
81
228000
2000
hogy mennyi ideig remélsz élni.
04:15
even if you don't make those investments.
82
230000
2000
Vagy nem áldozol.
04:17
AIDS is the same kind of thing. It's costly to avoid AIDS.
83
232000
3000
Az AIDS ugyanígy működik. Elkerülni nem ingyen van.
04:20
People really like to have sex.
84
235000
3000
Az emberek szeretik a szexet.
04:23
But, you know, it has a benefit in terms of future longevity.
85
238000
6000
A haszon a hosszú élet.
04:29
But life expectancy in Africa, even without AIDS, is really, really low:
86
244000
4000
De Afrikában a várható élethossz AIDS nélkül is alacsony.
04:33
40 or 50 years in a lot of places.
87
248000
3000
40 vagy 50 év sok helyen.
04:36
I think it's possible, if we think about that intuition, and think about that fact,
88
251000
4000
Azt gondolom, hogy talán ez, ha átgondoljuk az előzőeket,
04:40
that maybe that explains some of this low behavior change.
89
255000
3000
elég sokat elmond a viselkedés csekély változásáról.
04:43
But we really need to test that.
90
258000
2000
De némi ellenőrzés kéne.
04:45
And a great way to test that is to look across areas in Africa and see:
91
260000
3000
És erre egy jó módszer, hogy nézzünk szét Afrikában,
04:48
do people with more life expectancy change their sexual behavior more?
92
263000
4000
a várható élethossz összefügg a szexuális viselkedéssel?
04:52
And the way that I'm going to do that is,
93
267000
2000
A választott módszerem az, hogy
04:54
I'm going to look across areas with different levels of malaria.
94
269000
3000
bemutatom a számokat a maláriafertőzöttség függvényében.
04:57
So malaria is a disease that kills you.
95
272000
3000
A malária egy betegség, ami halálos.
05:00
It's a disease that kills a lot of adults in Africa, in addition to a lot of children.
96
275000
3000
Ez a betegsét sokak halálát okozza Afrikában, még több gyerekét.
05:03
And so people who live in areas with a lot of malaria
97
278000
3000
Azoknak, akik erősen malária-fertőzött vidéken élnek,
05:06
are going to have lower life expectancy than people who live in areas with limited malaria.
98
281000
4000
alacsonyabb életkilátásai vannak, mint ahol kevesebb a malária.
05:10
So one way to test to see whether we can explain
99
285000
2000
Tehát vizsgáljuk meg, hogy vajon
05:12
some of this behavior change by differences in life expectancy
100
287000
3000
a viselkedés változása erősebb-e
05:15
is to look and see is there more behavior change
101
290000
3000
azokon a területeken, ahol
05:18
in areas where there's less malaria.
102
293000
2000
kevesebb a malária.
05:20
So that's what this figure shows you.
103
295000
2000
Itt van az ábra.
05:22
This shows you -- in areas with low malaria, medium malaria, high malaria --
104
297000
4000
A malária előfordulás esetén,
05:26
what happens to the number of sexual partners as you increase HIV prevalence.
105
301000
4000
a szexuális partnerek száma a HIV előfordulás függvényében.
05:30
If you look at the blue line,
106
305000
2000
A kék vonalon,
05:32
the areas with low levels of malaria, you can see in those areas,
107
307000
3000
a területek, ahol kevés a malária, látható, hogy
05:35
actually, the number of sexual partners is decreasing a lot
108
310000
3000
a partnerszám erősen csökken,
05:38
as HIV prevalence goes up.
109
313000
2000
ahogy a HIV gyakoribb.
05:40
Areas with medium levels of malaria it decreases some --
110
315000
2000
Ahol a malária közepesen erős, van valami csökkenés,
05:42
it doesn't decrease as much. And areas with high levels of malaria --
111
317000
3000
de nem sok. És ahol a malária gyakori,
05:45
actually, it's increasing a little bit, although that's not significant.
112
320000
5000
növekedés van. Nem szignifikáns ugyan.
05:50
This is not just through malaria.
113
325000
2000
És nem csak a malária.
05:52
Young women who live in areas with high maternal mortality
114
327000
3000
Fiatal nők, akik környezetében magas az anyai halandóság,
05:55
change their behavior less in response to HIV
115
330000
3000
kevésbé reagálnak a HIV jelenlétére,
05:58
than young women who live in areas with low maternal mortality.
116
333000
3000
mint azok a nők, akik alacsonyabb anyai halandósággal néznek szembe.
06:01
There's another risk, and they respond less to this existing risk.
117
336000
4000
Mivel van más kockázat, a HIV kockázata nem olyan kirívó.
06:06
So by itself, I think this tells a lot about how people behave.
118
341000
3000
Ez önmagában sokat elmond arról, hogyan viselkednek.
06:09
It tells us something about why we see limited behavior change in Africa.
119
344000
3000
Hogy miért látunk korlátozott változást a hozzáállásban.
06:12
But it also tells us something about policy.
120
347000
2000
És persze a politikáról is szól.
06:14
Even if you only cared about AIDS in Africa,
121
349000
3000
Ha kizárólag az AIDS csökkentése érdekel,
06:17
it might still be a good idea to invest in malaria,
122
352000
3000
akkor is érdemes harcolni a malária ellen,
06:20
in combating poor indoor air quality,
123
355000
2000
és a piszkos levegő ellen,
06:22
in improving maternal mortality rates.
124
357000
2000
javítva az anyai halandóság mutatókat.
06:24
Because if you improve those things,
125
359000
2000
Mert ahogy ezeket javítod,
06:26
then people are going to have an incentive to avoid AIDS on their own.
126
361000
4000
az emberek elkezdik elkerülni az AIDS-t maguktól.
06:30
But it also tells us something about one of these facts that we talked about before.
127
365000
4000
De ez elmond valamit az egyik "tényről", amit korábban mutattam.
06:34
Education campaigns, like the one that the president is focusing on in his funding,
128
369000
4000
Az ismeretterjesztés, amire az elnök fókuszálja a támogatást,
06:38
may not be enough, at least not alone.
129
373000
2000
talán nem elég. Nem önmagában.
06:40
If people have no incentive to avoid AIDS on their own,
130
375000
2000
Ha az embereknek nincs motivációja az AIDS-t megelőzni,
06:42
even if they know everything about the disease,
131
377000
2000
még ha tudnak is a betegségről,
06:44
they still may not change their behavior.
132
379000
2000
nem fognak változtatni semmit.
06:46
So the other thing that I think we learn here is that AIDS is not going to fix itself.
133
381000
3000
Lássuk be, hogy az AIDS probléma nem fog magától megoldódni.
06:49
People aren't changing their behavior enough
134
384000
2000
A hozzáállás nem változik eléggé,
06:51
to decrease the growth in the epidemic.
135
386000
3000
hogy megfogja a járvány növekedését.
06:54
So we're going to need to think about policy
136
389000
2000
El kell gondolkodnunk a politikáról,
06:56
and what kind of policies might be effective.
137
391000
2000
hogy milyen politika lehet hatékony.
06:58
And a great way to learn about policy is to look at what worked in the past.
138
393000
3000
Kiváló módja a politika átgondolásának, ha megnézzük, mi működött.
07:01
The reason that we know that the ABC campaign
139
396000
2000
Azért tudjuk, hogy az ugandai kampány
07:03
was effective in Uganda is we have good data on prevalence over time.
140
398000
3000
hatékony volt, mert van jó felmérés az előfordulás időbeli alakulásáról.
07:06
In Uganda we see the prevalence went down.
141
401000
2000
Ugandában ahogy láttuk, csökkent.
07:08
We know they had this campaign. That's how we learn about what works.
142
403000
3000
Tudjuk, hogy volt a kampány. Tehát úgy véljük, hogy működik.
07:11
It's not the only place we had any interventions.
143
406000
2000
Ám volt máshol is beavatkozás.
07:13
Other places have tried things, so why don't we look at those places
144
408000
4000
Más helyeken is próbálkoztak, miért nem nézzük meg azokat is,
07:17
and see what happened to their prevalence?
145
412000
3000
ott mi történt az előfordulással?
07:20
Unfortunately, there's almost no good data
146
415000
2000
Sajnos alig van jó felmérés
07:22
on HIV prevalence in the general population in Africa until about 2003.
147
417000
5000
a HIV előfordulásról Afrikában 2003 előtt.
07:27
So if I asked you, "Why don't you go and find me
148
422000
2000
Ha azt kérdem, "Miért nem keresel nekem
07:29
the prevalence in Burkina Faso in 1991?"
149
424000
3000
1991-es adatot Burkina Faso-ról".
07:32
You get on Google, you Google, and you find,
150
427000
3000
Googlizhatsz, és azt találod, hogy
07:35
actually the only people tested in Burkina Faso in 1991
151
430000
3000
Burkina Faso-n 1991-ben kizárólag nemibetegeket és
07:38
are STD patients and pregnant women,
152
433000
2000
terhes nőket vizsgáltak.
07:40
which is not a terribly representative group of people.
153
435000
2000
Ami nem túl reprezentatív.
07:42
Then if you poked a little more, you looked a little more at what was going on,
154
437000
3000
Ha kicsit tovább kutakodsz, azt találod, hogy
07:45
you'd find that actually that was a pretty good year,
155
440000
3000
ez még egy jó év volt. Mert más években meg
07:48
because in some years the only people tested are IV drug users.
156
443000
3000
csak intravénás droghasználókról van adat.
07:51
But even worse -- some years it's only IV drug users,
157
446000
2000
De hogy még rosszabb legyen, az egyik évben ez,
07:53
some years it's only pregnant women.
158
448000
2000
a másik évben az van.
07:55
We have no way to figure out what happened over time.
159
450000
2000
Nem lehet időfüggést vizsgálni.
07:57
We have no consistent testing.
160
452000
2000
Nincs következetes vizsgálat.
07:59
Now in the last few years, we actually have done some good testing.
161
454000
5000
Az utóbbi években végre végeztünk jó felméréseket.
08:04
In Kenya, in Zambia, and a bunch of countries,
162
459000
3000
Kenyában, Zambiában és másutt,
08:07
there's been testing in random samples of the population.
163
462000
3000
véletlenszerű mintákon voltak tesztek.
08:10
But this leaves us with a big gap in our knowledge.
164
465000
3000
De van egy nagy lyuk az adatainkban.
08:13
So I can tell you what the prevalence was in Kenya in 2003,
165
468000
3000
Meg tudjuk mondani, hogy mi volt Kenyában 2003-ban,
08:16
but I can't tell you anything about 1993 or 1983.
166
471000
3000
de semmit 1993-ról vagy 1983-ról.
08:19
So this is a problem for policy. It was a problem for my research.
167
474000
4000
Így nem tudjuk vizsgálni a politika hatékonyságát.
08:23
And I started thinking about how else might we figure out
168
478000
4000
Keresni kezdtem valami más módszert
08:27
what the prevalence of HIV was in Africa in the past.
169
482000
2000
hogy lehetne a HIV előfordulást megtudni.
08:29
And I think that the answer is, we can look at mortality data,
170
484000
4000
Azt hiszem a válasz a halálozási adatokban van.
08:33
and we can use mortality data to figure out what the prevalence was in the past.
171
488000
4000
Ennek segítségével a visszamenőleges adatokat is meg tudjuk kapni.
08:37
To do this, we're going to have to rely on the fact
172
492000
2000
Ehhez azt kell kihasználni, hogy az AIDS
08:39
that AIDS is a very specific kind of disease.
173
494000
2000
egy speciális fajta betegség.
08:41
It kills people in the prime of their lives.
174
496000
2000
Az embereket életük delén viszi el.
08:43
Not a lot of other diseases have that profile. And you can see here --
175
498000
3000
Más betegségnek nincs ez a tulajdonsága. És nézzék csak:
08:46
this is a graph of death rates by age in Botswana and Egypt.
176
501000
4000
ez a halálozási ráta Botswanában és Egyiptomban.
08:50
Botswana is a place with a lot of AIDS,
177
505000
2000
Botswanában sok az AIDS,
08:52
Egypt is a place without a lot of AIDS.
178
507000
2000
Egyiptomban kevés.
08:54
And you see they have pretty similar death rates among young kids and old people.
179
509000
3000
A halálozási ráta nagyon hasonló gyerekkorban és időskorban
08:57
That suggests it's pretty similar levels of development.
180
512000
3000
Gyanítható a hasonló fejlettségi fok.
09:00
But in this middle region, between 20 and 45,
181
515000
3000
De a középső tartományban, 20-45
09:03
the death rates in Botswana are much, much, much higher than in Egypt.
182
518000
4000
Botswana sokkal magasabb értéket mutat.
09:07
But since there are very few other diseases that kill people,
183
522000
4000
Mivel kevés betegség okoz halált ebben a korban,
09:11
we can really attribute that mortality to HIV.
184
526000
3000
ezt a HIV-nek tulajdoníthatjuk.
09:14
But because people who died this year of AIDS got it a few years ago,
185
529000
4000
Akik ebben az évben haltak meg AIDS-ben, pár évvel előbb kapták el,
09:18
we can use this data on mortality to figure out what HIV prevalence was in the past.
186
533000
5000
ezért az adat arra jó, hogy a múltbeli HIV előfordulást megkapjuk.
09:23
So it turns out, if you use this technique,
187
538000
2000
Azt találjuk, hogy ezzel a technikával
09:25
actually your estimates of prevalence are very close
188
540000
2000
nagyon közeli értékeket kapunk ahhoz,
09:27
to what we get from testing random samples in the population,
189
542000
3000
amit véletlen mintán vett vizsgálatok mutatnak.
09:30
but they're very, very different than what UNAIDS tells us the prevalences are.
190
545000
5000
Csakhogy nagyon mást, mint amit az UNAIDS mond.
09:35
So this is a graph of prevalence estimated by UNAIDS,
191
550000
3000
Ez az ábra mutatja az UNAIDS becslését,
09:38
and prevalence based on the mortality data
192
553000
2000
és a halálozási ráta alapú becslést
09:40
for the years in the late 1990s in nine countries in Africa.
193
555000
4000
kilenc országban, 1990-es évek végén.
09:44
You can see, almost without exception,
194
559000
2000
Csaknem kivétel nélkül
09:46
the UNAIDS estimates are much higher than the mortality-based estimates.
195
561000
4000
az UNAIDS becslés sokkal magasabb, mint a halálozási ráta alapú.
09:50
UNAIDS tell us that the HIV rate in Zambia is 20 percent,
196
565000
4000
Az UNAIDS szerint Zambiában a fertőzöttség 20%,
09:54
and mortality estimates suggest it's only about 5 percent.
197
569000
4000
a halálozási ráta szerint csak 5%.
09:58
And these are not trivial differences in mortality rates.
198
573000
3000
Ezek nem jelentéktelen különbségek.
10:01
So this is another way to see this.
199
576000
2000
A másik oldalról nézve:
10:03
You can see that for the prevalence to be as high as UNAIDS says,
200
578000
2000
ha igaz lenne, amit az UNAIDS mond,
10:05
we have to really see 60 deaths per 10,000
201
580000
2000
60 haláleset esne 10 000 főre,
10:07
rather than 20 deaths per 10,000 in this age group.
202
582000
4000
nem 20, ebben a korcsoportban.
10:11
I'm going to talk a little bit in a minute
203
586000
2000
Erről mindjárt fogok még beszélni,
10:13
about how we can use this kind of information to learn something
204
588000
3000
hogy mire tudunk következtetni mindebből,
10:16
that's going to help us think about the world.
205
591000
2000
amivel jobban értjük a dolgokat.
10:18
But this also tells us that one of these facts
206
593000
2000
De előbb nézzük a "tényeket"
10:20
that I mentioned in the beginning may not be quite right.
207
595000
3000
amikről említettem, hogy talán nem úgy vannak.
10:23
If you think that 25 million people are infected,
208
598000
2000
Azt hiszik, 25 milló ember fertőzött?
10:25
if you think that the UNAIDS numbers are much too high,
209
600000
3000
Ha elfogadjuk, hogy az UNAIDS számai magasak,
10:28
maybe that's more like 10 or 15 million.
210
603000
2000
ez inkább 10-15 milló.
10:30
It doesn't mean that AIDS isn't a problem. It's a gigantic problem.
211
605000
4000
Nem mondom, hogy az AIDS nem probléma. Nagyon is az.
10:34
But it does suggest that that number might be a little big.
212
609000
4000
De úgy tűnik a valós szám nem olyan nagy.
10:38
What I really want to do, is I want to use this new data
213
613000
2000
Amire pedig ezt az adatot fel tudjuk használni,
10:40
to try to figure out what makes the HIV epidemic grow faster or slower.
214
615000
4000
az az, hogy megnézzük, mitől nő vagy lassul a járvány.
10:44
And I said in the beginning, I wasn't going to tell you about exports.
215
619000
3000
Az elején megmondtam, hogy nem fogok exportról beszélni.
10:47
When I started working on these projects,
216
622000
2000
Amikor ezen az ügyön kezdtem dolgozni,
10:49
I was not thinking at all about economics,
217
624000
2000
nem foglalkoztam a gazdasági oldalával.
10:51
but eventually it kind of sucks you back in.
218
626000
3000
De aztán nem engedett ilyen könnyen el.
10:54
So I am going to talk about exports and prices.
219
629000
3000
Tehát mégiscsak fogok beszélni erről.
10:57
And I want to talk about the relationship between economic activity,
220
632000
3000
Mégpedig a gazdaság, pontosabban az export
11:00
in particular export volume, and HIV infections.
221
635000
4000
és a fertőzöttség kapcsolatáról.
11:04
So obviously, as an economist, I'm deeply familiar
222
639000
4000
Nyilván, mint közgazdász, én is tudom, hogy
11:08
with the fact that development, that openness to trade,
223
643000
2000
a haladás, a nyitott kereskedelem
11:10
is really good for developing countries.
224
645000
2000
jó a fejlődő országoknak.
11:12
It's good for improving people's lives.
225
647000
3000
Növeli az életszínvonalat.
11:15
But openness and inter-connectedness, it comes with a cost
226
650000
2000
De a nyitottságnak és a kapcsolódásnak gyakran ára van
11:17
when we think about disease. I don't think this should be a surprise.
227
652000
3000
a járványok terén. Nem meglepő módon.
11:20
On Wednesday, I learned from Laurie Garrett
228
655000
2000
Szerdán azt tanultam Laurie Garrett-től,
11:22
that I'm definitely going to get the bird flu,
229
657000
2000
hogy biztosan elkapom a madárinfluenzát.
11:24
and I wouldn't be at all worried about that
230
659000
3000
És hogy nem kéne amiatt aggódni,
11:27
if we never had any contact with Asia.
231
662000
3000
ha nem volna kapcsolatunk Ázsiával.
11:30
And HIV is actually particularly closely linked to transit.
232
665000
4000
A HIV is erősen összefügg a közlekedéssel.
11:34
The epidemic was introduced to the US
233
669000
2000
A járvány úgy került az USA-ba,
11:36
by actually one male steward on an airline flight,
234
671000
4000
hogy egy férfi légikísérő bevitte.
11:40
who got the disease in Africa and brought it back.
235
675000
2000
Ő Afrikában kapta el, és vitte magával.
11:42
And that was the genesis of the entire epidemic in the US.
236
677000
3000
Így keletkezett a járvány az USA-ban.
11:45
In Africa, epidemiologists have noted for a long time
237
680000
4000
Régóta ismert az epidemológusok körében
11:49
that truck drivers and migrants are more likely to be infected than other people.
238
684000
4000
hogy kamionsofőrök és vándorlók gyakrabban fertőzöttek Afrikában.
11:53
Areas with a lot of economic activity --
239
688000
2000
És ahol több a gazdasági tevékenység,
11:55
with a lot of roads, with a lot of urbanization --
240
690000
3000
több az út, több a város,
11:58
those areas have higher prevalence than others.
241
693000
2000
ott több a HIV is.
12:00
But that actually doesn't mean at all
242
695000
2000
Ez még önmagában nem jelenti,
12:02
that if we gave people more exports, more trade, that that would increase prevalence.
243
697000
4000
hogy ha javul az export, a kereskedelem, akkor nő a fertőzöttség.
12:06
By using this new data, using this information about prevalence over time,
244
701000
4000
De az új adatokkal ezt is meg lehet vizsgálni időfüggésben.
12:10
we can actually test that. And so it seems to be --
245
705000
4000
És úgy tűnik, szerencsére, azt hiszem,
12:14
fortunately, I think -- it seems to be the case
246
709000
2000
hogy pontosan ez a helyzet,
12:16
that these things are positively related.
247
711000
2000
pozitív összefüggés van.
12:18
More exports means more AIDS. And that effect is really big.
248
713000
4000
Több export, több AIDS. És a hatás elég nagy.
12:22
So the data that I have suggests that if you double export volume,
249
717000
4000
Az adatok azt sugallják, hogy ha megduplázod az exportot,
12:26
it will lead to a quadrupling of new HIV infections.
250
721000
5000
megnégyszereződik a HIV fertőzöttség.
12:31
So this has important implications both for forecasting and for policy.
251
726000
3000
Ennek fontos következménye van az előrejelzés és a politika terén.
12:34
From a forecasting perspective, if we know where trade is likely to change,
252
729000
4000
Az előrejelzés kapcsán azt mondhatjuk el, hogy ha a kereskedelem
12:38
for example, because of the African Growth and Opportunities Act
253
733000
3000
növekedése várható kereskedelmet javító intézkedések miatt,
12:41
or other policies that encourage trade,
254
736000
2000
pl az AGOA vagy más miatt,
12:43
we can actually think about which areas are likely to be heavily infected with HIV.
255
738000
5000
előre tudjuk jelezni, hogy mely területeken várható HIV növekedés.
12:48
And we can go and we can try to have pre-emptive preventive measures there.
256
743000
6000
És ezeken a helyeken megelőző intézkedésekkel próbálkozhatunk.
12:54
Likewise, as we're developing policies to try to encourage exports,
257
749000
3000
Hasonlóan, amikor élénkítő programokat dolgozunk ki,
12:57
if we know there's this externality --
258
752000
2000
ha tudjuk ezt az externáliát,
12:59
this extra thing that's going to happen as we increase exports --
259
754000
2000
hogy milyen egyéb dolgok történnek ezzel együtt,
13:01
we can think about what the right kinds of policies are.
260
756000
3000
jobban meg tudjuk ítélni a programokat.
13:04
But it also tells us something about one of these things that we think that we know.
261
759000
3000
És megintcsak tanultunk valami újat arról, amit azt hittük, hogy ismerünk.
13:07
Even though it is the case that poverty is linked to AIDS,
262
762000
3000
Hiába van kapcsolat a szegénység és az AIDS között,
13:10
in the sense that Africa is poor and they have a lot of AIDS,
263
765000
3000
azaz Afrika szegény, és Afrikában sok az AIDS,
13:13
it's not necessarily the case that improving poverty -- at least in the short run,
264
768000
4000
az nem biztos, hogy a szegénység csökkentése, rövid távon
13:17
that improving exports and improving development --
265
772000
2000
az export és a fejlődés segítése
13:19
it's not necessarily the case that that's going to lead
266
774000
2000
nem szükségképpen fog elvezetni
13:21
to a decline in HIV prevalence.
267
776000
2000
a HIV visszaszorulásához.
13:24
So throughout this talk I've mentioned a few times
268
779000
2000
Már többször említettem ma
13:26
the special case of Uganda, and the fact that
269
781000
2000
Uganda esetét, és azt, hogy
13:28
it's the only country in sub-Saharan Africa with successful prevention.
270
783000
4000
ez az egyetlen délafrikai ország, ahol sikeres volt a prevenció.
13:32
It's been widely heralded.
271
787000
2000
Nagy dobra verték.
13:34
It's been replicated in Kenya, and Tanzania, and South Africa and many other places.
272
789000
6000
És most másolják Kenyában, Tanzániában, a Délafrikai Köztársaságban, stb.
13:40
But now I want to actually also question that.
273
795000
4000
Most ezt is meg fogom kérdőjelezni.
13:44
Because it is true that there was a decline in prevalence
274
799000
3000
Mert valóban volt visszaesés az előfordulásban
13:47
in Uganda in the 1990s. It's true that they had an education campaign.
275
802000
4000
Ugandában, a 90-es években. És volt ismeretterjesztés.
13:51
But there was actually something else that happened in Uganda in this period.
276
806000
6000
De volt valami más is abban az időszakban.
13:57
There was a big decline in coffee prices.
277
812000
2000
A kávéárak jelentős visszaesése.
13:59
Coffee is Uganda's major export.
278
814000
2000
Uganda fő exporterméke a kávé.
14:01
Their exports went down a lot in the early 1990s -- and actually that decline lines up
279
816000
5000
Az export sokat esett a 90-es évek elején. És ez a zuhanás egybeesik,
14:06
really, really closely with this decline in new HIV infections.
280
821000
4000
precízen, a HIV visszaesésével.
14:10
So you can see that both of these series --
281
825000
3000
Mindkét adatsor,
14:13
the black line is export value, the red line is new HIV infections --
282
828000
3000
a fekete az export, a vörös a HIV fertőzöttség,
14:16
you can see they're both increasing.
283
831000
2000
mindkettő növekszik.
14:18
Starting about 1987 they're both going down a lot.
284
833000
2000
1987-től kezdve mindkettő jelentősen esik,
14:20
And then actually they track each other
285
835000
2000
majd még mindig együtt haladva
14:22
a little bit on the increase later in the decade.
286
837000
2000
emelkedés látszik az évtized végén.
14:24
So if you combine the intuition in this figure
287
839000
2000
Ez az ábra és az intuíciónk azt mondatja velünk,
14:26
with some of the data that I talked about before,
288
841000
3000
a korábbi adatokkal együtt,
14:29
it suggests that somewhere between 25 percent and 50 percent
289
844000
4000
hogy 25-50 százaléknyi csökkenést
14:33
of the decline in prevalence in Uganda
290
848000
2000
a HIV előfordulásban
14:35
actually would have happened even without any education campaign.
291
850000
4000
meg lehet magyarázni a felvilágosító kampány nélkül.
14:39
But that's enormously important for policy.
292
854000
2000
Ez nagyon fontos a kapmány szempontjából.
14:41
We're spending so much money to try to replicate this campaign.
293
856000
2000
Sok pénzt költünk arra, hogy megismételjük máshol is.
14:43
And if it was only 50 percent as effective as we think that it was,
294
858000
3000
De ha ez csak fele olyan hatékony, mint hittük,
14:46
then there are all sorts of other things
295
861000
2000
akkor sok más dolog van,
14:48
maybe we should be spending our money on instead.
296
863000
2000
amire talán érdemesebb volna költeni.
14:50
Trying to change transmission rates by treating other sexually transmitted diseases.
297
865000
4000
Például más nemi úton terjedő betegségek visszaszorítására.
14:54
Trying to change them by engaging in male circumcision.
298
869000
2000
Amiben segít a körülmetélés.
14:56
There are tons of other things that we should think about doing.
299
871000
2000
Rengeteg dolgot lehetne kigondolni.
14:58
And maybe this tells us that we should be thinking more about those things.
300
873000
4000
Talán több időt kéne fordítani ezekre az ötletekre.
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
Remélem, hogy ebben a 16 percben tudtam újat mondani az AIDS-ről,
15:07
and I hope that I've gotten you questioning a little bit
302
882000
2000
és remélem, hogy megkérdőjeleznek most már
15:09
some of the things that you did know.
303
884000
2000
pár dolgot, amit tudtak.
15:11
And I hope that I've convinced you maybe
304
886000
2000
És remélem meggyőztem önöket,
15:13
that it's important to understand things about the epidemic
305
888000
2000
hogy fontos megérteni a járvány részleteit,
15:15
in order to think about policy.
306
890000
2000
hogy jó politikát folytathassunk.
15:18
But more than anything, you know, I'm an academic.
307
893000
2000
De én mindenekfelett kutató vagyok.
15:20
And when I leave here, I'm going to go back
308
895000
2000
Ahogy innen hazamegyek, visszaülök
15:22
and sit in my tiny office, and my computer, and my data.
309
897000
3000
a számítógépem mögé a pici irodámban,
15:25
And the thing that's most exciting about that
310
900000
2000
és ebben az a legizgalmasabb, hogy
15:27
is every time I think about research, there are more questions.
311
902000
3000
akárhányszor a kutatásra gondolok, új kérdések vetődnek fel.
15:30
There are more things that I think that I want to do.
312
905000
2000
És még több dolog, amivel foglalkozni akarok.
15:32
And what's really, really great about being here
313
907000
2000
Ami miatt nagyszerű itt lennem,
15:34
is I'm sure that the questions that you guys have
314
909000
2000
biztos vagyok benne, hogy önök
15:36
are very, very different than the questions that I think up myself.
315
911000
3000
teljesen más kérdésekkel állnának elő, mint én.
15:39
And I can't wait to hear about what they are.
316
914000
2000
És alig várom, hogy halljam őket.
15:41
So thank you very much.
317
916000
2000
Köszönöm!
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