TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling bemutatja a valaha látott legjobb statisztikákat
Filmed:
Readability: 3.6
14,386,844 views
Soha senki nem látott még adatokat ilyen módon bemutatva. A statisztikák guruja, Hans Rosling, sportriporteri átéléssel és lelkesedéssel dönti le az ún. "fejlődő világot" körbevevő mítoszokat.
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
Nagyjából 10 éve elvállaltam, hogy globális fejlődést tanítsak
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
svéd egyetemi hallgatóknak. Mindezt azután, hogy mintegy 20 évet töltöttem
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
afrikai intézményekkel együtt a kontinenst sújtó éhezés tanulmányozásával,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
tehát számítottak rá, hogy tudok egy keveset a világról.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
A Karolinska Intézetben - amely a mi orvosi egyetemünk - indítottam tehát
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
egy Globális Egészség elnevezésű kurzust. Amikor azonban az ember
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
ilyen lehetőséget kap, némileg ideges lesz. Én azt gondoltam, hogy az ide
00:53
coming to us actually have the highest grade you can get
7
28000
3000
jövő diákok a svéd oktatásban elérhető legmagasabb osztályzatokkal rendelkeznek,
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
így lehet, hogy már tudnak mindent, amit
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
meg akarok nekik tanítani. Ezért készítettem egy belépő tesztet.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Az egyik kérdés, amelyből sokat tanultam, az alábbi volt:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Az alábbi országpárok közül melyikben magasabb a gyermekhalandóság?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Úgy párosítottam az országokat, hogy az egyikben
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
a gyermekhalandóság a másik kétszerese. Tehát a
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
különbség jóval nagyobb, mint az adatok esetleges bizonytalansága.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Nem fogom most tesztelni Önöket, de a helyes válaszok Törökország,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
ott legfelül, Lengyelország, Oroszország, Pakisztán és Dél-Afrika.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
És ezek a svéd diákok eredményei. Úgy csináltam, hogy
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
megkaptam a konfidencia intervallumot, ami elég keskeny, és persze
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
örültem: 1,8 helyes válasz született az 5 lehetségesből. Ez azt jelenti, hogy
01:41
there was a place for a professor of international health --
20
76000
3000
igenis volt hely egy nemzetközi egészségügyi professzor, illetve
01:44
(Laughter) and for my course.
21
79000
2000
(nevetés) a kurzusom számára.
01:46
But one late night, when I was compiling the report
22
81000
4000
Azonban egyik este, amikor épp a jelentést állítottam össze,
01:50
I really realized my discovery. I have shown
23
85000
4000
ráébredtem, hogy mit feldeztem fel valójában. Sikerült megmutatnom, hogy
01:54
that Swedish top students know statistically significantly less
24
89000
5000
a svéd éltanulók statisztikailag szignifikánsan kevesebbet tudnak
01:59
about the world than the chimpanzees.
25
94000
2000
a világról, mint a csimpánzok.
02:01
(Laughter)
26
96000
2000
(nevetés)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Ugyanis a csimpánz az esetek felében helyesen válaszolna, ha adnék neki
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
két banánt, az egyik Sri Lanka, a másik Törökország. Az esetek felében jó választ adnának.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
A diákok azonban nem tartanak még itt. A probléma nem a tudatlanság, hanem
02:14
it was preconceived ideas.
30
109000
3000
az előítéletek.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Elvégeztem a tanulmányt - nem túl etikus módon - a professzorokkal is a Karolinska Intézetben
02:21
(Laughter)
32
116000
1000
(nevetés)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
- amely az orvosi Nobel-díj odaítélője -
02:24
and they are on par with the chimpanzee there.
34
119000
2000
és ők egy szinten vannak a csimpánzokkal.
02:26
(Laughter)
35
121000
3000
(nevetés)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Ezen a ponton jöttem rá, hogy valóban kell erről beszélni,
02:33
because the data of what's happening in the world
37
128000
3000
mert a világ történéseiről szóló adatok
02:36
and the child health of every country is very well aware.
38
131000
3000
és az országok gyermekegészségügye nagyon is fontos
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Készítettünk egy szoftvert, amely mindezt az alábbi módon ábrázolja: minden buborék egy ország.
02:44
This country over here is China. This is India.
40
139000
6000
Ez az ország itt Kína. Ez pedig India.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
A buborékok mérete a lakosságot mutatja, erre a tengelyre pedig a termékenységet tettem.
02:56
Because my students, what they said
42
151000
3000
Ugyanis a diákjaim azt mondták amikor
02:59
when they looked upon the world, and I asked them,
43
154000
2000
a világra néztek, és én megkérdeztem tőlük, hogy
03:01
"What do you really think about the world?"
44
156000
2000
"Mit gondoltok valójában a világról?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Először is felfedeztem, hogy a tankönyvük főként a Tintin volt.
03:07
(Laughter)
46
162000
1000
(nevetés)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Ők azt válaszolták, hogy "a világ még mindig 'mi' és 'ők'.
03:11
And we is Western world and them is Third World."
48
166000
3000
Mi vagyunk a nyugati világ, ők pedig a harmadik világ".
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"És mit értenek Önök nyugati világ alatt?" - kérdeztem.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Hosszú élet és kis család, míg a harmadik világ rövid élet és nagy család".
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Úgyhogy ezt ábrázoltam itt. Ide tettem a termékenységet, tehát az egy nőre eső gyermekek számát:
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
egy, kettő, három, négy, egészen nyolc gyermekig.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Nagyon jó adatokkal rendelkezünk 1962 óta - nagyjából 1960 óta - a családok nagyságáról a világ összes országából.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
A hibahatár itt szűk. Ide tettem a születéskor várható élettartamot,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
az egyes országokban lévő 30 évtől nagyjából 70 évig.
03:45
And 1962, there was really a group of countries here
56
200000
3000
1962-ben valóban volt egy országcsoport itt, amelyek
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
iparosodottak voltak és valóban kis családok és hosszú élet jellemezte őket.
03:53
And these were the developing countries:
58
208000
2000
Ezek pedig a fejlődő országok voltak:
03:55
they had large families and they had relatively short lives.
59
210000
3000
népes családokban éltek és viszonylag rövid életűek voltak.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Mi is történt tehát 1962 óta? Szeretnénk látni a változást.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Igaza van a diákoknak? Még mindig két típusba sorolhatjuk az országokat?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Vagy ezen fejlődő országokban már kisebb családok vannak és eddig élnek?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Vagy hosszabb életűek és ott vannak fent?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Lássuk. Itt megállítottuk a világot. Ezek mind ENSZ statisztikák,
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
amelyek hozzáférhetőek. Indulhatunk. Látják ott?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Ott van Kína, elindul a jobb egészség felé, fejlődik.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Az összes zöld latin-amerikai ország a kisebb családok felé mozdul.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
A sárga buborékok itt az arab országok és
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
nekik nő a családjuk ... akarom mondani hosszabb életűek, de nem nagyobbak a családok.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Az afrikaiak a zöld buborékok itt lent. Még mindig itt vannak.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Itt van India. Indonézia is elég gyorsan mozog.
04:36
(Laughter)
72
251000
1000
(nevetés)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
És itt a nyolcvanas években Banglades még mindig az afrikai országok között van.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Most azonban Bangladesben csoda történik a nyolcvanas években:
04:43
the imams start to promote family planning.
75
258000
3000
az imámok elkezdik a családtervezést hirdetni.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
És felkúsznak abba a sarokba. A kilencvenes években jön a borzalmas AIDS járvány
04:51
that takes down the life expectancy of the African countries
77
266000
3000
ami lehúzza az afrikai országok várható élettartamát
04:54
and all the rest of them move up into the corner,
78
269000
4000
az összes többi pedig felkúszik abba a sarokba.
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
ahol hosszú életünk van és kis családunk, és teljesen új világ alakul ki.
05:02
(Applause)
80
277000
13000
(taps)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Engedjék meg, hogy közvetlenül is összehasonlítsam az Egyesült Államokat és Vietnamot.
05:20
1964: America had small families and long life;
82
295000
5000
1964-ben Amerikát kis családok és hosszú élet jellemezte, míg
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Vietnamban népes családok voltak és rövid élet. Íme, ami történt:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
a háború idejében az adatok azt mutatják, hogy a rengeteg halál ellenére
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
emelkedett a várható élettartam. Az év végére
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
elindult a családtervezés Vietnamban és szűkebb családokra törekedtek.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Az Egyesült Államok ott fent rámegy a hosszabb életre,
05:44
keeping family size. And in the '80s now,
88
319000
3000
és tartja a családok méretét. Aztán a nyolcvanas években
05:47
they give up communist planning and they go for market economy,
89
322000
3000
Vietnam felhagy a kommunista tervezéssel és áttér a piacgazdaságra
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
és a társadalmi életben még gyorsabban változik. Ma pedig
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
Vietnamban ugyanaz a várható élettartam és ugyanakkora a családok mérete,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
2003-ban, mint az Egyesült Államokban volt 1974-ben, a háború végén.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Azt gondolom, hogy ha nem figyeljük meg az adatokat, akkor
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
hajlamosak vagyunk alulbecsülni a hatalmas változást Ázsiában, amely
06:14
in social change before we saw the economical change.
95
349000
4000
a társadalomban végbement még a gazdasági változást megelőzően.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Nézzünk egy másik módot, amelynek révén meg tudjuk jeleníteni
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
a jövedelem eloszlását a világban. Ez a világ jövedelem-eloszlása.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Napi 1, 10 vagy 100 dollár.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Nincs többé szakadék a szegények és a gazdagok között. Ez egy mítosz.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Egy kis púp van itt. Azonban végig vannak emberek.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Ha megnézzük hol ér véget a bevétel --- a bevétel --
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
Ez a világ éves jövedelmének 100 százaléka. A leggazdagabb 20%
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
ebből 74 százalékot birtokol. A legszegényebb 20 százalék pedig
07:01
they take about two percent. And this shows that the concept
104
396000
5000
nagyjából 2 százalékot. Mindez azt mutatja, hogy a
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
fejlődő országok fogalma igencsak kétséges. Mi úgy gondolunk a segélyre, hogy
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
ezek az emberek itt segélyt nyújtanak ezeknek az embereknek itt. Azonban középen
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
helyezkedik el a világ lakosságának túlnyomó része, és ők ma már 24 százalékban részesülnek a jövedelmekből.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Hallottuk ezt már más formákban. Kik tehát ők?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Hol vannak a különböző országok? Meg tudom mutatni Afrikát.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Íme Afrika. A világ lakosságának 10 százaléka, legtöbbjük szegénységben él.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Ez az OECD. A gazdag vidék. Az ENSZ golfklubja.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Ők pedig itt vannak ezen az oldalon. Egész komoly átfedés van Afrika és az OECD között.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Ez pedig Latin-Amerika. Itt a világon minden megtalálható
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
a legszegényebbtől a leggazdagabbig, itt Latin-Amerikában.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Erre pedig rátehetjük Kelet-Európát, Kelet-Ázsiát
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
és Dél-Ázsiát. Hogy néz ki mindez ha visszamegyünk az időben,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
nagyjából 1970-be? Akkor nagyobb volt a púp.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Az abszolút szegénységben élők nagy része pedig Ázsiában élt.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
A világ problémája az ázsiai szegénység volt. Ha most előreviszem a világot,
08:14
you will see that while population increase, there are
120
469000
3000
látni fogják, hogy mialatt a lakosság növekszik,
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
több száz millió ázsiai emelkedik ki a szegénységből, míg néhányan mások
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
pedig belesüllyednek a szegénységbe. Ez pedig a mai kép.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
A Világbank legjobb előrejlezése szerint pedig ez fog történni,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
és nem lesz megosztott világunk. Az emberek többsége középen lesz.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Persze ez egy logaritmikus skála, de
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
a gazdaságot a százalékos növekedésként tekintjük. Úgy tekintünk rá,
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
mint a százalékos növekedés lehetőségére. Ha ezt megváltoztatom, és
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
a GDP/fő-t nézem a családi bevétel helyett, és ezeket
08:48
individual data into regional data of gross domestic product,
129
503000
6000
az egyedi adatokat regionális GDP adatokká változtatom,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
és lehozom ide a régiókat, a buborék mérete még mindig a népességet mutatja,
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
és ott az OECD, amott meg a szubszaharai Afrika
09:01
and we take off the Arab states there,
132
516000
3000
és az arab államokat innen levesszük,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
akik részben afrikaiak részben ázsiaiak, és külön vesszük őket,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
és kinyújthatjuk ezt a tengelyt, és adhatok neki egy másik dimenziót,
09:13
by adding the social values there, child survival.
135
528000
3000
azzal hogy a társadalmi értékeket teszem rá, a gyermekhalandóságot
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Most pénz van azon a tengelyen, és a gyermekek lehetősége a túlélésre ezen.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
Egyes országokban a gyerekek 99,7%-a megéli az ötéves kort,
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
másokban csak 70. És itt, úgy tűnik, van egy szakadék
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
az OECD, Latin-Amerika, Kelet-Európa, Kelet-Ázsia
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
Arab világ, Dél-Ázsia, szubszaharai Afrika
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Az egyenes arányosság nagyon erős a gyermekhalandóság és a pénz között.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
De hadd bontsam ketté Afrikát. Ott az egészség, ott fent a jobb egészség.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Itt országaira bonthatom a szubszaharai Afrikát.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
és ahogy szétpukkan, az országbuborék mérete a népességet mutatja.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Itt lent Sierra Leone, ott fent Mauritius. Mauritius volt az első ország,
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
ami lebontotta a kereskedelmi korlátokat, és el tudta adni a cukrát.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
A textiljüket ugyanolyan feltételekkel adhatták el, mint Európa vagy Észak-Amerika
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Hatalmas különbségek vannak Afrikában. Gána itt van középen
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
Sierra Leone pedig segélyeken él.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Itt Ugandában fejlesztési segély, emitt eljött az idő befektetni,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
oda érdemes nyaralni menni. Hatalmas eltérések vannak
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
Afrikán belül, amit nagyon ritkán látunk meg - inkább összemossuk.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Szétpukkaszthatom Dél-Ázsiát is. India a középső nagy buborék.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
De hatalmas a különbség Afganisztán és Sri Lanka között
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Felbonthatom az Arab államokat. Milyenek? Ugyanaz az éghajlat, ugyanaz a kultúra,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
ugyanaz a vallás. Hatalmas eltérések, még szomszédok között is.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Jemen, polgárháború. Egyesült Arab Emirátusok, egyenlően és jól felhasznált pénz.
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
Nem úgy, ahogy gondoljuk. És ez érvényes az ottani vendégmunkások gyerekeire is.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Az adatok gyakran jobbak, mint gondolnánk. sokan mondják, hogy rosszak az adatok.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Van némi bizonytalansági határ, de itt láthatjátok a különbséget:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Kambodzsa, Szingapúr. A küllönbségek sokkal nagyobbak,
11:11
than the weakness of the data. East Europe:
162
646000
3000
mint az adatok gyengesége. Kelet-Európa:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
Sokáig szovjet gazdaság, de 10 év elteltével
11:20
very, very differently. And there is Latin America.
164
655000
3000
nagyon máshol tartanak. És itt van Latin-Amerika.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Ma már nem kell Kubába menni, hogy egészséges latin-amerikai országot találjunk.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Chilében néhány év múlva alacsonyabb lesz a gyermekhalandóság, mint Kubában.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
És itt vannak az OECD magas jövedelmű országai
11:35
And we get the whole pattern here of the world,
168
670000
4000
És itt van a világ teljes mintázata,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
ami többé-kevésbé ilyen. És ha megnézzük,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
hogy milyen -- a világ, 1960-ban. És elkezd mozogni. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Ez itt Mao Ce Tung, egészséget hozott Kínának. Aztán meghalt.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Majd jött Teng Hsziao Ping, és pénzt hozott Kínának és visszahozta őket a fősodorba.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
És láthatjuk, hogy az országok ugyanígy mindenféle irányban mozognak
12:02
so it's sort of difficult to get
174
697000
4000
és hát elég nehéz kiválasztani
12:06
an example country which shows the pattern of the world.
175
701000
5000
egy példaországot, ami mutatná a világra jellemző trendet.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Most visszavinnálek titeket ide 1960-ba.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Össze akarom hasonlítani Dél-Koreát, ezt itt, Brazíliával,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
ami pedig ez. Most eltűnt a címkém. És összehasonlítanám Ugandát,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
ami ott van. Előre fel tudom gyorsítani, így.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Láthatjátok, hogy Dél-Korea nagyon-nagyon gyorsan fejlődik,
12:46
whereas Brazil is much slower.
181
741000
3000
míg Brazília sokkal lassabb.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
ha pedig visszamegyünk, így, és nyomokat teszünk rájuk, így,
12:55
you can see again that the speed of development
183
750000
4000
megint láthatjátok, hogy a fejlődés sebessége
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
nagyon-nagyon eltérő, és az országok többé-kevésbé ugyanolyan
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
ütemben mozognak, mint a pénz és az egészség, de úgy tűnik,
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
gyorsabban mozoghatsz, ha előbb egészséges vagy, mint ha előbb gazdag.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
És hogy ezt szemléltessem, megmutathatom az Emirátusokat.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Innen érkeztek, ásványban gazdag ország. Megvolt az olajuk,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
meglett a pénzük, de egészséget nem vehetsz a szupermarketben.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Az egészségbe be kell fektetni. A gyerekeket be kell iskolázni.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Egészségügyi dolgozókat kell képezni. A népességet kell oktatni.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
És Szajed sejk ezt elég jól csinálta.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
És a zuhanó olajárak ellenére felhozta országát egészen ide.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Tehát egy egyre inkább integrálódó világ képét látjuk,
13:43
where all countries tend to use their money
195
798000
2000
ahol minden ország hajlamos a pénzét jobban
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
használni, mint régen. De ez, többé-kevésbé akkor igaz,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
ha az országok átlagos adatait tekintjük. Akkor ilyenek.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
De ez veszélyes dolog, az átlagadatok használata, mert olyan nagyok
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
a különbségek az országon belül. Ha megyek, és megnézem ezt, láthatjuk,
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
hogy Uganda ott tart, ahol Dél-Korea tartott 1960-ban. Ha Ugandát megosztom,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
elég nagy a különbség Ugandán belül. Ezek Uganda kvintilisei.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Ott van Uganda leggazdagabb 20 százaléka
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
A legszegényebbek itt lent. Ha kibontom Dél-Afrikát, akkor ilyen lesz.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Ha végül lemegyek, és Nigert nézem, ahol szörnyű éhínség volt,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
az ilyen lesz. Niger legszegényebb 20%-a itt kívül,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
és Dél-Afrika leggazdagabb 20 százaléka amott
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
És mégis arról beszélünk, hogy milyen megoldásokra van szükség Afrikában.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Afrikában megtalálni minden végletet. És nem
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
tervezheted a HIV [gyógyszerhez] való általános hozzáférést a felső kvintilisnek ott
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
ugyanazzal a stratégiával, mint itt lent. A világ jobbá tétele
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
csak kontextualizálva lehetséges, és nem helytálló
15:00
on regional level. We must be much more detailed.
212
875000
3000
regionális szinten végezni. Ennél sokkal részletesebbnek kell lennünk.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Azt találtuk, hogy a diákok nagyon izgalmasnak tartják az ezzel való munkát.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
És még több politikacsináló és üzletág szeretné látni, hogy
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
hogyan változik a világ. De miért nem történik ez meg?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Miért nem használjuk a rendelkezésre álló adatokat? Van adat az ENSZ-nél
15:20
in the national statistical agencies
217
895000
2000
a nemzeti statisztikai hivataloknál,
15:22
and in universities and other non-governmental organizations.
218
897000
4000
az egyetemeken és más nem-kormányzati szervezeteknél.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Azért, mert az adatok az adatbázisok mélyére vannak temetve.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
És ott a nyilvánosság, ott az internet, de még mindig nem használjuk hatékonyan.
15:33
All that information we saw changing in the world
221
908000
3000
Mindaz az információ, amiről láttuk, hogy megváltoztatta a világot,
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
nem tartalmazza a közfinanszírozott statisztikákat. Van néhány ilyen weboldal,
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
tudjátok, táplálják őket egy kicsit az adatbázisokból,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
de aztán árcédulát aggatnak rájuk, buta jelszóvel védik és unalmas statisztikákat csinálnak belőlük.
15:51
(Laughter) (Applause)
225
926000
3000
(nevetés) (taps)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
És ez így nem működik. Mire van tehát szükség? Megvannak az adatbázisaink.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Nem új adatokra van szükségünk. Csodálatos design-eszközeink vannak,
16:02
and more and more are added up here. So we started
228
937000
3000
és egyre többet teszünk hozzá. Úgyhogy elindítottunk egy
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
nonprofit vállalkozást, amit elneveztünk -- az adatot a design-hoz kötve --
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
elneveztük Gapminder-nek, a londoni metró alapján, ahol figyelmeztetnek,
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
hogy "figyelj a résre". Azt gondoltuk, a Gapminder illő név lesz.
16:16
And we started to write software which could link the data like this.
232
951000
4000
És elkezdtünk szoftvert írni, ami ilyenformán összeköti az adatokat.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
És nem volt nehéz. Beletelt néhány munkaévbe, és csináltunk animációkat.
16:26
You can take a data set and put it there.
234
961000
2000
Vehetsz egy adatkészletet, és ide rakhatod.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
ENSZ adatokat szabadítunk fel, pár ENSZ szervezetét.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Néhány ország elfogadja, hogy az adatbázisai kikerülhetnek a világba,
16:37
but what we really need is, of course, a search function.
237
972000
3000
de amire igazán szükségük lenne, persze, egy kereső funkció.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Egy kereső funkció, amivel az adatokat kereshető formában másolhatjuk fel,
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
és a világ rendelkezésére bocsáthatjuk. És mit hallunk, ha körbekérdezünk?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Felkutattam a fő statisztikai szervezeteket. Mindenki azt mondja:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"Lehetetlen. Ezt nem lehet megcsinálni. Az információnk annyira
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
részletekbe menő, hogy nem lehet úgy keresni, ahogy más dolgokat.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Nem adhatjuk oda az adatokat ingyen a diákoknak, a világ vállalkozóinak."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Dehát ez az, amit látni szeretnénk, nem igaz?
17:08
The publicly-funded data is down here.
245
1003000
3000
A közfinanszírozott adatok itt vannak lent.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
És szeretnénk, ha virágok nőnének belőlük a neten.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
És az egyik legfontosabb dolog, hogy kereshetővé tegyük őket, hogy az emberek
17:19
the different design tool to animate it there.
248
1014000
2000
különböző design eszközökkel animálhassák ott őket.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
És elég jó híreim vannak számotokra. Az a jó hír, hogy az ENSZ Statisztikai
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
részlegének jelenlegi, új vezetője nem tartja mindezt lehetetlennek.
17:30
He only says, "We can't do it."
251
1025000
2000
Csak azt mondja: "Mi nem tudjuk megcsinálni"
17:32
(Laughter)
252
1027000
4000
(nevetés)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
És ő elég okos fickó, nem igaz?
17:38
(Laughter)
254
1033000
2000
(nevetés)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Szóval elég sok minden fog történni adatügyben a következő években.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
A jövedelemeloszlásokat teljesen új módokon fogjuk tudni megnézni.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Ez Kína jövedelem-eloszlása 1970-ben.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
Ez pedig az Egyesült Államok jövedelem-eloszlása, szintén 1970-ben.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Szinte nincs átfedés. Szinte nincs átfedés. És mi történt azóta?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Az alábbi történt: Kína mövekszik, már nem olyan egyenlő és
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
megjelenik itt, az Egyesült Államok árnyékában,
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
majdnem olyan, mint egy kisértet, ugye?
18:14
(Laughter)
263
1069000
2000
(nevetés)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Elég ijesztő. Én azonban azt gondolom, hogy nagyon fontos ezen információk birtokában lenni.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Ezt tényleg látnunk kell. És ahelyett, hogy ezt néznénk
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
azzal fejezném be, hogy megmutatom az internethasználók számát 1000 emberre vetítve.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Ebben a programban minden ország kb. 500 változóját érhetjük el egyszerűen.
18:42
It takes some time to change for this,
268
1097000
4000
Kis időbe telik, hogy átváltsak erre,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
de a tengelyeken nagyon könnyen bármilyen kívánt változót beállíthatunk.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
És a cél az, hogy az adatbázisokat ingyen felraknánk
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
és kereshetővé tennénk, és egy második kattintásra
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
grafikus formába öntenénk, hogy azonnal megérthetővé váljanak.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Hát, a statisztikusok nem szeretik, mert szerintük ez
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
nem a valóságot mutatja; statisztikai, analitikai módszerekkel kell dolgoznunk.
19:16
But this is hypothesis-generating.
275
1131000
3000
Ez azonban csupán elmélet gyártás.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Most akkor a világgal fejezném be. Ott jön az internet.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Az internet-használók száma így emelkedik. Itt van az egy főre jutó GDP.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Ez pedig egy újonnan bejövő technológia, de lenyűgöző módon igen
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
jól passzol az országok gazdaságához. Ezért is lesz majd a
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
100 dolláros számítógép olyan fontos. Ez azonban egy kellemes tendencia.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Olyan, mintha a világ kiegyenlítődne, ugye? Ezek az országok
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
jobban emelkednek, mint a gazdaság és érdekes lesz ezt
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
követni az évek során, ahogyan reményeim szerint Önök is tehetik majd
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
az összes közfinanszírozott adattal. Nagyon köszönöm.
19:53
(Applause)
285
1168000
3000
(taps)
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