TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling sýnir bestu tölfræði sem þú hefur nokkru sinni séð
Filmed:
Readability: 3.6
14,386,844 views
Þú hefur aldrei orðið vitni að annarri eins framsetningu gagna. Með tilþrifum og ákefð íþróttafréttamanns hrekur tölfræðigúrúið Hans Rosling mýtuna um hin svokölluðu "þróunarlönd".
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
Fyrir einum 10 árum síðan tók ég að mér að kenna þróunarfræði
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
í sænskum háskóla. Áður hafði ég varið
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
um 20 árum við afrískar stofnanir við rannsóknir á hungri
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
og því gerðu menn ráð fyrir að ég þekkti heiminn.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Þannig að við háskólasjúkrahúsið í Stokkhólmi, Karolinska, hóf ég að kenna
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
námskeiðið Alþjóðleg lýðheilsa. En þegar maður fær
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
svona tækifæri, verður maður taugaóstyrkur. Ég hugsaði: þeir nemar
00:53
coming to us actually have the highest grade you can get
7
28000
3000
sem koma til okkar eru með hæstu einkunnir sem hægt er að fá
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
í sænskum menntaskólum. Kannski vita þeir allt
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
sem ég ætla að kenna þeim. Ég lagði þess vegna fyrir þá stöðupróf.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Og spurningin sem kenndi mér hvað mest var þessi:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Í hvoru landanna, í þessum fimm pörum, er meiri barnadauði?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Ég raðaði pörunum saman þannig að í hvoru pari
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
var tvöfalt meiri barnadauði í öðru landinu. Þetta þýðir að
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
munurinn er miklu meiri en óvissan í gögnunum.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Ég ætla ekki að prófa ykkur hér, en í Tyrklandi
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
er barnadauðinn hærri, Póllandi, Rússlandi, Pakistan og Suður-Afríku.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
En niðurstöður sænsku nemanna voru svona. Ég lagði prófið fyrir þannig
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
að skekkjumörkin urðu lítil og ég varð vitanlega býsna ánægður:
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1,8 rétt svör af fimm mögulegum. Það þýddi að það
01:41
there was a place for a professor of international health --
20
76000
3000
var þörf fyrir prófessor í alþjóðlegri lýðheilsu --
01:44
(Laughter) and for my course.
21
79000
2000
(áhorfendur hlæja) og fyrir námskeiðið mitt.
01:46
But one late night, when I was compiling the report
22
81000
4000
Seinna, þegar ég var að taka saman niðurstöðurnar,
01:50
I really realized my discovery. I have shown
23
85000
4000
áttaði ég mig á því hvað ég hafði uppgötvað. Ég hef sýnt fram á
01:54
that Swedish top students know statistically significantly less
24
89000
5000
að bestu nemendur Svíþjóðar vita marktækt minna
01:59
about the world than the chimpanzees.
25
94000
2000
um heiminn en simpansar.
02:01
(Laughter)
26
96000
2000
(Áhorfendur hlæja)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Af því að simpansar myndu svara helmingi spurninganna rétt ef ég gæfi þeim
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
tvo banana, annan merktan Sri Lanka og hinn Tyrklandi. Þeir myndu taka réttan banana í annað hvort skipti.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
En það gerðu nemendurnir ekki. Vandinn sem ég þurfti að glíma við var ekki fáfræði
02:14
it was preconceived ideas.
30
109000
3000
heldur fyrirfram gefnar hugmyndir.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Ég gerði líka hálf siðlausa rannsókn á prófessorum Karolinska
02:21
(Laughter)
32
116000
1000
(hlátur)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
-- þeirri sem veitir Nóbelsverðlaun í læknisfræði
02:24
and they are on par with the chimpanzee there.
34
119000
2000
og þeir eru á pari við simpansana.
02:26
(Laughter)
35
121000
3000
(hlátur)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Það var þá sem ég áttaði mig á því að það væri virkileg þörf á að miðla upplýsingum
02:33
because the data of what's happening in the world
37
128000
3000
vegna þess að gögnin um það sem er að gerast í heiminum
02:36
and the child health of every country is very well aware.
38
131000
3000
og heilsufar barna í hverju landi liggja fyrir.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Við þróuðum hugbúnað sem sýnir gögnin svona: Hver hringur táknar eitt land.
02:44
This country over here is China. This is India.
40
139000
6000
Þetta land þarna er Kína. Þetta er Indland.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Stærð hringsins táknar mannfjölda og á þennan ás setti ég frjósemi.
02:56
Because my students, what they said
42
151000
3000
Vegna þess að hugmyndir nemenda minna
02:59
when they looked upon the world, and I asked them,
43
154000
2000
þegar ég spurði þá
03:01
"What do you really think about the world?"
44
156000
2000
"Hvaða hugmyndir hafið þið um heiminn?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Jah, við getum sagt að þau sækja sína þekkingu fyrst og fremst í Tinnabækurnar.
03:07
(Laughter)
46
162000
1000
(Hlátur)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Því þau sögðu: "Heimurinn skiptist enn í 'okkur' og 'þau'
03:11
And we is Western world and them is Third World."
48
166000
3000
og við erum hinn vestræni heimur og þau eru þriðji heimurinn."
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"Hvað eigið þið við með vestrænn heimur?" spurði ég.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Jah, það þýðir langlífi og litlar fjölskyldur og þriðji heimurinn er stutt ævi og stórar fjölskyldur."
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Þetta get ég sýnt hér. Ég set frjósemi hér: fjöldi barna á konu,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
eitt, tvö, þrjú, fjögur, allt að átta börn á konu.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Það eru til mjög góð gögn um þetta síðan 1962 -- um það bil 1960 -- um fjölskyldustærð í öllum löndum.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Skekkjan er lítil. Hér set ég lífslíkur við fæðingu,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
frá 30 árum í sumum löndum upp að um það bil 70 árum.
03:45
And 1962, there was really a group of countries here
56
200000
3000
Og árið 1962 var sannarlega hópur af löndum hér.
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
Þetta voru iðnríkin, með litlar fjölskyldur og langa ævi.
03:53
And these were the developing countries:
58
208000
2000
Og þetta voru þróunarlöndin:
03:55
they had large families and they had relatively short lives.
59
210000
3000
með stórar fjölskyldur og tiltölulega stutta ævi.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
En hvað hefur gerst síðan 1962? Við viljum sjá breytinguna.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Hafa nemendurnir rétt fyrir sér? Eru enn tvær gerðir landa?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Eða hafa fjölskyldur í þróunarlöndunum minnkað og eru núna hér?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Eða hefur ævin lengst og þau eru núna þarna uppi?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Við skulum sjá. Þetta var heimurinn þá. Þetta er allt tölfræði sem má nálgast
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
hjá Sameinuðu Þjóðunum. Nú byrjar ballið. Sjáiði þarna?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Þarna er Kína, heilbrigðið minnkar, en batnar svo aftur.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Öll grænu ríkin í Suður-Ameríku færast í átt að minni fjölskyldum.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Þessi gulu eru Arabaríkin,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
þar stækka fjölskyldurnar, en þau -- nei, lengri ævi, en ekki stærri fjölskyldur.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Afríkuríkin eru þessi grænu hérna niðri. Þau hreyfast ekkert.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Hér er Indland. Indónesía á hraðferð.
04:36
(Laughter)
72
251000
1000
(Hlátur)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
Og hér á níunda áratugnum, er Bangladesh enn þarna á meðal Afríkuþjóðanna.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Skyndilega fer Bangladesh -- þar verður kraftaverk á níunda áratugnum:
04:43
the imams start to promote family planning.
75
258000
3000
klerkarnir fara að hvetja fólk til að skipuleggja barneignir.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Þau færast þarna upp í hornið. Og á tíunda áratugnum sjáum við hinar skelfilegu afleiðingar HIV faraldursins
04:51
that takes down the life expectancy of the African countries
77
266000
3000
sem minnkar lífslíkurnar í Afríku
04:54
and all the rest of them move up into the corner,
78
269000
4000
meðan öll hin færast upp í hornið,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
þar sem lífslíkur eru miklar og fjölskyldur litlar, og heimsmyndin er gerbreytt.
05:02
(Applause)
80
277000
13000
(Klapp)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Berum saman Bandaríkin og Víetnam.
05:20
1964: America had small families and long life;
82
295000
5000
1964: Í Bandaríkjunum voru fjölskyldurnar litlar og ævin löng;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
í Víetnam voru fjölskyldurnar stórar og ævin stutt. Það sem gerðist var þetta:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
gögnin frá því í stríðinu benda til þess að þrátt fyrir allt mannfallið,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
jukust lífslíkurnar. Í árslok þarna,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
hófu Víetnamar að skipuleggja barneignir sínar og fjölskyldurnar minnkuðu.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Þarna uppi í Bandaríkjunum lengdist ævin,
05:44
keeping family size. And in the '80s now,
88
319000
3000
og stærð fjölskyldna stóð í stað. Og svo níundi áratugurinn,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
þeir leggja af kommúnismann og taka upp markaðsbúskap,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
og það eykur hraðann enn frekar. Og í dag, eru
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
sömu lífslíkur og sama fjölskyldustærð
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
í Víetnam, 2003, eins og var í Bandaríkjunum, 1974, í lok stríðsins.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Ég held að við öll -- ef við horfum ekki á gögnin --
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
vanmetum þær miklu breytingar sem orðið hafa í Asíu,
06:14
in social change before we saw the economical change.
95
349000
4000
samfélagsbreytingar og svo efnahagsframfarir.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Nú skulum við skoða
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
tekjudreifinguna í heiminum. Þetta er tekjudreifing jarðarbúa.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Einn dollari, 10 dollarar eða 100 dollarar á dag.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Það er ekki lengur gjá milli ríkra og fátækra. Það er mýta.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Það er smáhnúður hér, en það er fólk á öllum skalanum.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Og ef við lítum á tekjudreifinguna --
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
þetta eru heildartekjur jarðarbúa. Ríkustu 20 prósentin,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
hafa um 74 prósent teknanna. Og fátækustu 20 prósentin,
07:01
they take about two percent. And this shows that the concept
104
396000
5000
hafa um tvö prósent þeirra. Þetta sýnir að hugmyndin
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
um þróunarlönd er afar vafasöm. Okkar hugmynd um þróunaraðstoð, er
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
að þetta fólk hér sé að aðstoða þetta fólk hér. En á milli þeirra
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
er meirihluti jarðarbúa og þeir hafa 24 prósent teknanna.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Við höfum heyrt þetta áður. Og hverjir eru þetta?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Hvar eru þessi ólíku lönd? Ég get sýnt ykkur Afríku
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Þetta er Afríka. 10 prósent jarðarbúa, flestir lifa í fátækt.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Þetta er OECD. Ríka landið. Elíta Sameinuðu Þjóðanna.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Þau eru hérna megin. Talsverð skörun milli Afríku og OECD.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Og þetta er Suður-Ameríka. Þar má finna allt milli himins og jarðar,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
sárustu fátækt og mesta ríkidæmi, í Suður-Ameríku.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Þar að auki getum við sýnt Austur-Evrópu, Austur-Asíu
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
og Suður-Asíu. Og hvernig lítur þetta út ef við förum aftur í tímann,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
til 1970? Þá var meiri kryppa.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Og flestir þeirra sem lifðu við sára fátækt voru Asíubúar.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Vandamál heimsins var fátækt í Asíu. Og ef ég læt tímann líða,
08:14
you will see that while population increase, there are
120
469000
3000
sjáið þið að þrátt fyrir fólksfjölgun, eru
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
hundruð milljóna í Asíu að vinna sig upp úr fátækt meðan aðrir
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
verða fátækari, og þetta er mynstrið sem við sjáum í dag.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Og besta spá Alþjóðabankans er að þetta muni verða þróunin,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
og heimurinn er ekki lengur tvískiptur. Flestir eru í miðjunni.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Þetta er auðvitað lógaritmískur skali,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
en hugmyndir okkar um hagkerfi er vöxtur í prósentum. Við túlkum þetta
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
sem líkurnar á prósentuvexti. Ef ég breyti þessu, og set
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
landsframleiðslu á mann í staðinn fyrir fjölskyldutekjur, og ég breyti
08:48
individual data into regional data of gross domestic product,
129
503000
6000
gögnunum í gögn um landsframleiðslu á viðkomandi svæði
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
og ég læt þau rúlla hingað niður. Stærðin sýnir enn mannfjöldann.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Hérna er OECD og þarna má sjá Afríku sunnan Sahara,
09:01
and we take off the Arab states there,
132
516000
3000
og við skiljum Araba-löndin frá,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
bæði Afríku og Asíu og sýnum þau sérstaklega,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
og við teygjum á þessum ás og ég bæti við nýrri vídd hérna
09:13
by adding the social values there, child survival.
135
528000
3000
með því að sýna velferðartölu, lífslíkur barna.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Nú er ég með fjárhag á þessum ás og lífslíkur barna á þessum.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
Í sumum löndum lifa 99,7 prósent barna fram yfir fimm ára aldur,
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
annars staðar bara 70. Og hér virðist vera gjá
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
milli OECD, Suður-Ameríku, Austur-Evrópu, Austur-Asíu,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
Arabaríkja, Suður-Asíu og Afríku sunnan Sahara.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Það eru mjög greinileg línuleg tengsl milli lífslíkna barna og fjárhags.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
En þegar ég brýt upp Afríku sunnan Sahara. Heilbrigði sést hér og betri heilsa þarna uppi.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Ég get farið hingað og brotið upp Afríku sunnan Sahara í einstök ríki.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Og þegar hún brotnar upp, táknar stærð hringsins mannfjöldann.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Sierra Leone er hérna niðri. Mauritius er þarna uppi. Mauritius var fyrsta landið
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
til að losna við viðskiptahömlur og þeir gátu selt sykurinn sinn.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Þeir gátu selt vefnaðarvöru sína til jafns við framleiðendur í Evrópu og Bandaríkjunum.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Það er gríðarlegur munur á ríkjum Afríku. Og Ghana er hérna í miðjunni.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
Í Sierra Leone, neyðaraðstoð.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Í Úganda, þróunaraðstoð. Hér, fjárfestingartækifæri, hingað
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
er gott að fara í frí. Það er gríðarleg dreifing
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
innan Afríku sem við gerum sjaldnast skil -- við leggjum allt að jöfnu.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Ég get brotið upp Suður-Asíu. Indland er stóri hringurinn í miðjunni.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
En heilmikill munur á Afghanistan og Sri Lanka.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Ég get brotið upp Arabaríkin. Hvernig lítur það út? Sama loftslag, sama menning,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
sama trú. Stórkostlegur munur. Jafnvel milli nágrannaríkja.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Yemen, borgarastríð. Sameinuðu arabísku furstadæmin, auður sem var nokkuð jafnt dreift og vel nýttur.
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
Samræmist ekki hugmyndum okkar. Og þetta telur með öll börn erlenda vinnuaflsins í landinu.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Gögn eru oft betri en halda mætti. Margir segja að gögn séu léleg.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Það eru skekkjumörk, en við sjáum muninn hérna:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Kambódía, Singapúr. Munurinn er miklu meiri
11:11
than the weakness of the data. East Europe:
162
646000
3000
en óvissan í gögnunum. Austur-Evrópa:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
Sovésk áhrif í langan tíma, en tíu árum síðar
11:20
very, very differently. And there is Latin America.
164
655000
3000
er mjög mikill munur. Og hér er Suður-Ameríka.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Í dag þurfum við ekki að fara til Kúbu til að finna heilbrigt land í Suður-Ameríku
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Chile verður með minni barnadauða en Kúba innan fárra ára.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Og hér koma hátekjulöndin innan OECD
11:35
And we get the whole pattern here of the world,
168
670000
4000
Og þá sjáum við hvernig mynstrið liggur í heiminum,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
sem er nokkurn veginn svona. Og ef við lítum á það,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
hvernig hann lítur út -- heimurinn 1960, setjum hann af stað. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Hér má sjá Mao Tse-tung. Hann gerði Kína heilbrigt. Og svo dó hann.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Svo kom Deng Xiaoping og með honum peningar og Kína fellur aftur inn í hópinn.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Og við sáum hvernig lönd þróast í ólíkar áttir eins og hér,
12:02
so it's sort of difficult to get
174
697000
4000
svo það er erfitt að benda á
12:06
an example country which shows the pattern of the world.
175
701000
5000
ákveðið land sem sýnidæmi um mynstrið sem löndin í heiminum mynda.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Mig langar að færa ykkur aftur til um það bil 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Mig langar að bera saman Suður-Kóreu, sem er hér, og Brasilíu,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
sem er hér. Merkingin hvarf. Og mig langar að bera saman Úganda,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
sem er hér. Og ég get spilað þetta svona.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Og þið sjáið hvernig Suður-Kórea þróast mjög, mjög hratt áfram.
12:46
whereas Brazil is much slower.
181
741000
3000
en Brasilía mun hægar.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Og ef við förum til baka og við látum þau skilja eftir sig slóð, svona,
12:55
you can see again that the speed of development
183
750000
4000
getið þið séð að hraði þróunarinnar
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
er gerólíkur og að löndin hreyfast nokkurn veginn jafn hratt
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
í átt að velmegun og heilbrigði, en það virðist sem að þjóð geti þróast
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
mun hraðar ef hún er heilbrigð en ef hún er rík.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Og til að sýna það getum við bætt við Sameinuðu Arabísku Frustadæmunum.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Þau koma héðan, land jarðefna. Þau leystu út alla olíuna,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
fengu ofgnótt af peningum, en það er ekki hægt að kaupa heilbrigði.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Maður þarf að fjárfesta í heilbrigði. Koma krökkunum í skóla.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Þjálfa heilbrigðisstarfsfólk. Mennta þjóðina.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Og Sayed sjeik tókst það nokkuð vel.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Þrátt fyrir að verðfall á olíu, lyfti hann landinu hingað upp.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Þannig að við erum með mun einsleitari mynd af heiminum,
13:43
where all countries tend to use their money
195
798000
2000
þar sem þjóðir virðast nota auð sinn
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
mun betur en þau gerðu áður. Hér má sjá, svona nokkurn veginn
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
meðaltal landanna. Svona líta þau út.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
En það er hættulegt að nota meðaltöl, vegna þess hvað það er mikil
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
dreifing innan landanna. Svo ef ég fer hingað og skoða, sjáum við
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
að í dag er Úganda þar sem Suður-Kórea var 1960. En ef ég brýt Úganda upp
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
er mikil dreifing innan Úganda. Þetta eru fimmtungar Úganda.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Ríkustu 20 prósent Úgandabúa eru hér.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
En þau fátækustu þarna niðri. Ef ég brýt Suður-Afríku upp, lítur hún svona út.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Ef ég lít á Níger, þar sem var svo hræðileg hungursneyð,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
að lokum, lítur það svona út. Fátækustu 20 prósent Nígermanna eru hér.
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
og ríkustu 20 prósent Suður-Afríkubúa eru hér,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
og þrátt fyrir þetta ræðum við um lausnir fyrir Afríku.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Í Afríku er allt milli himins og jarðar. Og þú getur ekki
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
rætt um almennt aðgengi að eyðnilyfjum fyrir þennan fimmtung hérna uppi
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
á sama hátt og hérna niðri. Framfarir í heiminum
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
þarf að ræða í réttu samhengi, og það er ekki viðeigandi að ræða þær
15:00
on regional level. We must be much more detailed.
212
875000
3000
í landfræðilegu samhengi. Við þurfum að skoða þetta niður í smáatriði.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Okkar reynsla er að námsmenn verða mjög spenntir af því að nota þetta.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Og margir stefnumótandi aðilar og stórfyrirtækin líka vilja sjá
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
hvernig heimurinn er að breytast. En af hverju gerist það ekki?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Af hverju notum við ekki gögnin sem við eigum? Við eigum gögn hjá Sameinuðu Þjóðunum.
15:20
in the national statistical agencies
217
895000
2000
og hjá hagstofum landa,
15:22
and in universities and other non-governmental organizations.
218
897000
4000
í háskólum og öðrum einkastofnunum.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Vegna þess að gögnin eru falin í gagnagrunnum.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
Og hér er almenningur og þarna er netið en samt eru við ekki farin að nota það að gagni.
15:33
All that information we saw changing in the world
221
908000
3000
Í upplýsingarnar sem við sáum þegar við horfðum á heiminn breytast
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
vantar tölfræði sem safnað hefur verið fyrir opinbert fé. Það eru til vefsíður
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
eins og þessi, en þær nærast á gögnum úr gagnagrunnunum,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
og fólk þrjóskast við að rukka fyrir þá, setja á þá lykilorð og leiðinlega tölfræði.
15:51
(Laughter) (Applause)
225
926000
3000
(Hlátur) (Klapp)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Og þetta gengur ekki. Hvað þarf til? Við eigum gagnagrunnana.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Það þarf ekki nýja gagnagrunna. Við eigum mögnuð þróunartól,
16:02
and more and more are added up here. So we started
228
937000
3000
og fleiri og fleiri hérna. Svo við stofnuðum
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
sjálfseignarstofnun sem við nefndum -- til að tengja saman gögn og hönnun --
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
Gapminder (Passa bilið), eftir neðanjarðarlestunum í London, sem minnir á
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
bilið milli lestar og brautarpalls. Svo okkur fannst Gapminder viðeigandi.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Og við skrifuðum hugbúnað sem gat tengt gögn svona saman.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Það var ekki svo flókið. Það tók nokkur mannár, og við bjuggum til hreyfimyndir.
16:26
You can take a data set and put it there.
234
961000
2000
Þú getur sett þangað inn gagnasöfn.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Við erum að frelsa gögn frá Sameinuðu Þjóðunum, nokkrum stofnunum Sameinuðu Þjóðanna.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Sumar þjóðir samþykkja að þeirra gagnagrunnar séu opnir heiminum,
16:37
but what we really need is, of course, a search function.
237
972000
3000
en það sem við þurfum virkilega á að halda, vitanlega, er leit.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Leit þar sem við getum gert gögnin leitanleg
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
og sýnt þau heiminum. Og hvað heyrum við þegar við göngum milli stofnanna?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Ég er búin að vera í mannfræðirannsóknum á hagstofum. Allir segja:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"Það er ómögulegt. Þetta er ekki hægt. Okkar upplýsingar eru svo sérstakar
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
að það er ekki hægt að leita í þeim eins og öðrum upplýsingum.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Við getum ekki bara gefið gögnin námsmönnum eða frumkvöðlum heimsins."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
En það er það sem við viljum sjá, er það ekki?
17:08
The publicly-funded data is down here.
245
1003000
3000
Gögn sem safnað er fyrir opinbert fé er hérna niðri.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
Og við viljum sjá þau blómstra út á netið.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Og til þess er lykilatriði að þau séu leitanleg, þá getur fólk notað
17:19
the different design tool to animate it there.
248
1014000
2000
ýmis hönnunartól til að gera hreyfimyndir af þeim.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
En ég er með góðar fréttir fyrir ykkur. Ég færi þau gleðitíðindi að núverandi
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
yfirmaður tölfræðideildar Sameinuðu Þjóðanna segir ekki að þetta sé ómögulegt.
17:30
He only says, "We can't do it."
251
1025000
2000
Þess í stað sagði hann: "Við getum þetta ekki."
17:32
(Laughter)
252
1027000
4000
(Hlátur)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
Hann er frekar sniðugur, ekki satt?
17:38
(Laughter)
254
1033000
2000
(Hlátur)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Svo við getum átt von á að sjá margt gerast með gögn næstu árin.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Við komum til með að sjá tekjudreifingu á alveg nýjan hátt.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Þetta er tekjudreifingin í Kína 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
Tekjudreifingin í Bandaríkjunum, 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Nánast engin skörun. Nánast engin skörun. Og hvað gerðist?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Það sem gerðist var að Kína stækkaði, jöfnuðurinn minnkaði,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
og vomir hérna, yfir Bandaríkjunum.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Eins og vofa, finnst ykkur ekki?
18:14
(Laughter)
263
1069000
2000
(Hlátur)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Nokkuð ógnvekjandi. En ég held að það sé mjög mikilvægt að hafa allar þessar upplýsingar.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Við þurfum að sjá þær. Og í stað þess að horfa á þetta,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
langar mig að lokum að sýna internetnotendur á þúsund íbúa.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Með þessum hugbúnaði, komumst við í einar 500 breytur frá öllum löndum frekar auðveldlega.
18:42
It takes some time to change for this,
268
1097000
4000
Það tekur mig smá stund að breyta þessu
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
en á ásana geturðu nokkuð auðveldlega sett hvaða breytu sem þig langar að sjá.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Markmiðið er að gera gagnagrunnana ókeypis,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
að gera gögnin leitanleg og með öðrum smelli, koma þeim
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
á myndrænt form svo að þið getið auðveldlega skilið þau.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
En tölfræðingum er ekki vel við þetta, því að þeir segja að þetta
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
sýni ekki raunveruleikann, við þurfum að nota tölfræðilegar, greinandi aðferðir.
19:16
But this is hypothesis-generating.
275
1131000
3000
En þetta er nóg til að varpa fram tilgátum.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Ég lýk þessu á heiminum öllum. Hérna sjáið þið internetið birtast.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Svona fjölgar netnotendum. Þetta er landsframleiðsla á mann.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Og þetta er ný tækni sem kemur fram, en helst svo ótrúlega vel
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
í hendur við stöðu hagkerfis landanna. Þetta er ástæða þess að 100 dollara
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
tölvan verður svo mikilvæg. En hér sjáum við áhugaverða þróun
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Það er eins og heimurinn sé að fletjast út, sjáiði? Þessi lönd
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
hækka meira en hagkerfið. Og það verður mjög áhugavert
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
að fylgjast með framvindunni í þessu, eins og ég vil að þið getið gert
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
með öll þessi gögn sem er safnað fyrir opinbert fé. Þakka ykkur kærlega fyrir.
19:53
(Applause)
285
1168000
3000
(Klapp)
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