TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling mostra le migliori statistiche mai viste
Filmed:
Readability: 3.6
14,386,844 views
Non si sono mai visti dati presentati in questo modo. Con fare da cronista sportivo, il guru della statistica Hans Rosling distrugge i miti del cosiddetto "mondo in via di sviluppo".
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
Da circa 10 anni, insegno lo sviluppo globale
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
a studenti universitari svedesi. Lo faccio dopo aver vissuto
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
circa 20 anni in Africa a studiare i problemi della fame,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
quindi ne sapevo qualcosa del mondo.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Ho iniziato alla facoltà di medicina del Karolinska Institute
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
con un corso universitario detto Salute Globale. Un corso del genere
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
ti dà qualche preoccupazione. Gli studenti di questa facoltà
00:53
coming to us actually have the highest grade you can get
7
28000
3000
hanno il massimo dei voti nel sistema universitario svedese
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
magari sanno già tutto delle cose
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
che andrò a insegnare. Così ho approntato un test preliminare.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
La domanda dalla quale ho capito molte cose è stata:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Quale Paese ha il più alto tasso di mortalità infantile tra queste 5 coppie?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Li ho disposti in modo tale che per ogni coppia di Paesi,
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
uno ha il doppio della mortalità infantile dell'altro. Ciò vuol dire che
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
c'è una differenza ben maggiore rispetto all'incertezza dei dati.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Non vi metterò alla prova, ma è la Turchia,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
al primo posto in questo caso, la Polonia, la Russia, il Pakistan e il Sud Africa.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Questi sono i risultati degli studenti svedesi. In questo modo ho ottenuto
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
l'intervallo di confidenza, che è piuttosto ridotto, e mi ha fatto piacere:
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1,8 di risposte esatte su 5. Ciò significa che
01:41
there was a place for a professor of international health --
20
76000
3000
il lavoro di un professore di salute globale era giustificato--
01:44
(Laughter) and for my course.
21
79000
2000
(Risate) e il mio corso aveva ragion d'essere.
01:46
But one late night, when I was compiling the report
22
81000
4000
Una sera, mentre compilavo il rapporto,
01:50
I really realized my discovery. I have shown
23
85000
4000
la mia scoperta mi è stata chiara: ho dimostrato che
01:54
that Swedish top students know statistically significantly less
24
89000
5000
i migliori studenti svedesi ne sanno statisticamente molto meno
01:59
about the world than the chimpanzees.
25
94000
2000
del mondo rispetto agli scimpanzè.
02:01
(Laughter)
26
96000
2000
(Risate)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Gli scimpanzè avrebbero indovinato metà delle domande
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
con due banane con lo Sri Lanka e la Turchia. Indovinano nella metà dei casi.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Ma gli studenti sono diversi. Il mio problema non era l'ignoranza:
02:14
it was preconceived ideas.
30
109000
3000
erano i preconcetti.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Sono stato scorretto e ho fatto anche uno studio
02:21
(Laughter)
32
116000
1000
su professori del Karolinska Institute (risate),
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
proprio quelli del Premio Nobel per la Medicina,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
e sono allo stesso livello degli scimpanzè.
02:26
(Laughter)
35
121000
3000
(Risate).
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Qui mi sono reso conto della necessità di divulgare
02:33
because the data of what's happening in the world
37
128000
3000
i dati su ciò che sta accadendo nel mondo
02:36
and the child health of every country is very well aware.
38
131000
3000
e sulla salute dei minori in ogni Paese.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Abbiamo realizzato questo software: ogni pallino che vedete rappresenta un Paese.
02:44
This country over here is China. This is India.
40
139000
6000
Questa è la Cina. Qui c'è l'India.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
La dimensione del pallino è in base alla popolazione, e su quest'asse troviamo il tasso di fertilità.
02:56
Because my students, what they said
42
151000
3000
Ho messo i miei studenti
02:59
when they looked upon the world, and I asked them,
43
154000
2000
davanti al mondo e ho chiesto loro:
03:01
"What do you really think about the world?"
44
156000
2000
"Cosa ne pensate del mondo?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
La prima cosa che ho scoperto è che il loro libro preferito era Tintin.
03:07
(Laughter)
46
162000
1000
(Risate).
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
E loro: "Il mondo è composto da 'noi' e 'loro'.
03:11
And we is Western world and them is Third World."
48
166000
3000
Dove 'noi' è il mondo occidentale e 'loro' il Terzo Mondo".
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"Cosa intendete per mondo occidentale?" ho chiesto.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Vita lunga e famiglia piccola, mentre Terzo Mondo significa vita breve e famiglia numerosa".
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Questi sono i risultati. Qui ho messo il tasso di fertilità: numero di figli per donna,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
uno, due, tre, quattro, fino a otto figli per donna.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Abbiamo ottimi dati a partire dal 1960 o '62 sulle dimensioni delle famiglie in tutti i Paesi.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Il margine d'errore è piccolissimo. Qui ho messo l'aspettativa di vita alla nascita,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
da 30 anni in alcuni Paesi fino a circa 70 anni.
03:45
And 1962, there was really a group of countries here
56
200000
3000
Nel 1962 c'era un bel gruppo di Paesi qui,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
Paesi industrializzati, con famiglie piccole e vita lunga.
03:53
And these were the developing countries:
58
208000
2000
E questi erano i Paesi in via di sviluppo:
03:55
they had large families and they had relatively short lives.
59
210000
3000
famiglie molto grandi e vita relativamente breve.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Cos'è successo dal 1962? Vediamo cos'è cambiato.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Hanno ragione gli studenti? Esistono due tipi di Paesi?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Oppure questi Paesi in via di sviluppo hanno famiglie più piccole e vivono qui?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Oppure hanno vita più lunga e vivono lassù?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Vediamo. Abbiamo fermato il mondo. Queste sono statistiche
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
delle Nazioni Unite. Riuscite a vedere?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Qui c'è la Cina che si sposta verso una sanità migliore, facendo progressi.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Tutti i Paesi verdi dell'America Latina si spostano verso famiglie più piccole.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
I gialli sono i Paesi arabi,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
e loro hanno famiglie più grandi, ma -- no, vita più lunga, ma non famiglie più grandi.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Qui ci sono gli africani, in verde. Rimangono fermi lì.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Questa è l'India. L'Indonesia avanza piuttosto rapidamente.
04:36
(Laughter)
72
251000
1000
(Risate).
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
E negli anni '80, il Bangladesh è ancora tra i Paesi africani.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Ma ora il Bangladesh -- è il miracolo degli anni '80:
04:43
the imams start to promote family planning.
75
258000
3000
gli imam promuovono la pianificazione delle famiglie.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Si spostano in quell'angolo. E negli anni '90 abbiamo la terribile epidemia dell'HIV
04:51
that takes down the life expectancy of the African countries
77
266000
3000
che abbassa l'aspettativa di vita dei Paesi africani
04:54
and all the rest of them move up into the corner,
78
269000
4000
e tutti gli altri si portano in quell'angolo,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
dove abbiamo vita lunga e famiglie piccole e abbiamo un mondo completamente nuovo.
05:02
(Applause)
80
277000
13000
(Applausi).
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Facciamo un paragone tra gli USA e il Vietnam.
05:20
1964: America had small families and long life;
82
295000
5000
1964: in USA c'erano famiglie piccole e vita lunga;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
In Vietnam famiglie grandi e vita breve. Ed è successo questo:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
i dati durante la guerra indicano che nonostante tutti i decessi,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
l'aspettativa di vita era migliorata. Entro la fine dell'anno,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
in Vietnam iniziò la pianificazione e preferirono famiglie più piccole.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Negli USA si ha una vita più lunga e si mantengono
05:44
keeping family size. And in the '80s now,
88
319000
3000
le dimensioni della famiglia. Negli anni '80
05:47
they give up communist planning and they go for market economy,
89
322000
3000
abbandonano la pianificazione comunista, e scelgono l'economia di mercato,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
che va più veloce della vita sociale. Oggi,
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
in Vietnam abbiamo la stessa aspettativa di vita e dimensione delle famiglie
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
nel 2003 come negli USA nel 1974, alla fine della guerra.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Credo che ignorando questi dati
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
sottovalutiamo i notevoli cambiamenti in Asia, avvenuti
06:14
in social change before we saw the economical change.
95
349000
4000
prima nella vita sociale e poi nell'economia.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Diamo uno sguardo alla distribuzione nel mondo
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
della ricchezza. Questa è la distribuzione della ricchezza nel mondo.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Un dollaro, 10 dollari o 100 dollari al giorno.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Non c'è più differenza tra ricchi e poveri. Questo è un mito.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Qui c'è una gobbetta. Ma ci sono persone dappertutto.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Se guardiamo a dove va a finire la ricchezza,
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
questo è il 100% dei profitti mondiali per anno. Il 20% più ricco
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
si prende circa il 74%. Il 20% più povero
07:01
they take about two percent. And this shows that the concept
104
396000
5000
si prende circa il 2%. Ciò dimostra che il concetto di Paesi
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
in via di sviluppo è estremamente ambiguo. Per noi aiutare significa che
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
le persone qui aiutino le persone qui. Ma nel mezzo
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
abbiamo la gran parte della popolazione mondiale, che ora ha il 24% dei profitti.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Lo abbiamo sentito tante volte. Chi sono questi?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Dove sono i Paesi diversi? Vi mostro l'Africa.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Questa è l'Africa. Il 10% della popolazione mondiale, per lo più povera.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Questa è l'OECD. Il Paese ricco. Il country club dell'ONU.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
E la troviamo da questa parte. L'Africa e l'OECD quasi si sovrappongono.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
E questa è l'America Latina, che ha praticamente tutto:
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
dai più ricchi ai più poveri.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
In cima possiamo mettere l'Europa orientale, l'Asia orientale
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
e l'Asia meridionale. E se andiamo indietro nel tempo,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
per esempio al 1970? Troviamo ben altro che una gobbetta.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
E vediamo che gli asiatici erano quelli che vivevano in totale povertà.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Il problema del mondo era la povertà in Asia. Andando avanti
08:14
you will see that while population increase, there are
120
469000
3000
vediamo che mentre la popolazione aumenta,
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
centinaia di milioni di persone in Asia escono dallo stato di povertà
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
mentre altri vi entrano, e questo è il modello che abbiamo oggi.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
La miglior proiezione della Banca Mondiale lo conferma
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
e non avremo un mondo diviso. La maggior parte delle persone sarà nel mezzo.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
E' ovvio che si tratta di un logaritmo,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
ma il nostro concetto di economia è la crescita percentuale.
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
E' una possibilità di crescita percentile. Se cambio, prendendo
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
il prodotto interno lordo pro capite invece del reddito per famiglia e trasformo questi dati
08:48
individual data into regional data of gross domestic product,
129
503000
6000
in dati nazionali per prodotto interno lordo e prendo questi Paesi qui,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
la dimensione del pallino rappresenta sempre la popolazione.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
E qui avremo l'OECD, qui l'Africa sub-sahariana,
09:01
and we take off the Arab states there,
132
516000
3000
qui avremo gli stati arabi,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
sia quelli africani che asiatici, e li mettiamo da questa parte,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
potremo espandere quest'asse e otterremo una nuova dimensione
09:13
by adding the social values there, child survival.
135
528000
3000
aggiungendo i valori sociali qui, la sopravvivenza dei bambini.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Su quest'asse ho i soldi e la possibilità di sopravvivenza dei bambini lì.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
In alcuni Paesi, il 99,7% dei bambini sopravvive oltre i 5 anni;
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
in altri, solo il 70%. E qui compare il gap
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
tra l'OECD, l'America Latina, l'Europa orientale, l'Asia orientale,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
gli stati arabi, l'Asia meridionale e l'Africa sub-sahariana.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
La linearità è fortissima tra la sopravvivenza dei bambini e il denaro.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Dividiamo l'Africa sub-sahariana. La salute è qui e il benessere è lassù.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Vado qui e divido l'Africa sub-sahariana nei suoi diversi Paesi.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Quando esplode, la dimensione del pallino mostra quella della popolazione.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
La Sierra Leone è qui. Le Mauritius qui. Le Mauritius sono state le prime
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
a sfruttare il commercio, ma potevano vendere lo zucchero.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Potevano vendere i tessuti alle stesse condizioni dell'Europa e del Nord America.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
C'è una differenza enorme in Africa. E il Ghana è qui al centro.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
In Sierra Leone, gli aiuti umanitari.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Qui in Uganda, aiuti per lo sviluppo. Qui è il momento buono per investire,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
lì ci si può andare in vacanza. In Africa le differenze
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
sono enormi e raramente vengono prese in considerazione.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Divido l'Asia meridionale. L'India è il pallino grande al centro.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Ma vediamo un'enorme differenza tra Afghanistan e Sri Lanka.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Divido gli stati arabi. Stesso clima, stessa cultura,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
stessa religione. Differenza enorme. Anche tra stati vicini.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Yemen: guerra civile. Emirati Arabi Uniti: soldi ben distribuiti e sfruttati.
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
Non come il mito. E quello comprende tutti i bambini dei lavoratori stranieri che vivono nel Paese.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
I dati sono spesso più confortanti. Molti credono siano sbagliati.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Esiste un margine di incertezza, ma qui possiamo vedere la differenza:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Cambogia, Singapore. Le differenze sono ben superiori
11:11
than the weakness of the data. East Europe:
162
646000
3000
alla debolezza dei dati. Europa orientale:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
economia sovietica per un lungo periodo, ma ne sono venuti fuori dopo 10 anni
11:20
very, very differently. And there is Latin America.
164
655000
3000
e molto, molto diversi. E qui c'è l'America Latina.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Oggi non dobbiamo andare a Cuba per trovare un sano paese latinoamericano.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
In Cile entro pochi anni ci sarà una mortalità infantile inferiore a quella di Cuba.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
E qui abbiamo i Paesi ad alto reddito dell'OECD.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Qui abbiamo tutto il modello mondiale,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
che è più o meno così. Diamo uno sguardo
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
al mondo: nel 1960 comincia a muoversi. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Questo è Mao Tse-tung. Ha portato la sanità in Cina. E poi è morto.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Poi è arrivato Deng Xiaoping e ha portato soldi alla Cina, reinserendola nel flusso.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
E abbiamo visto quanti Paesi si spostano in direzioni diverse come queste,
12:02
so it's sort of difficult to get
174
697000
4000
quindi è difficile ottenere
12:06
an example country which shows the pattern of the world.
175
701000
5000
un Paese campione che mostri il modello mondiale.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Torniamo un attimo al 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Facciamo un confronto tra la Corea del Sud, che è questa, e il Brasile,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
che è questo qui. La didascalia è scomparsa. E prendiamo anche l'Uganda,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
che è qui. Lo faccio scorrere in avanti, così.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Come potete vedere la Corea del Sud avanza rapidamente,
12:46
whereas Brazil is much slower.
181
741000
3000
mentre il Brasile è molto più lento.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Se torniamo indietro e inseriamo i tracciati,
12:55
you can see again that the speed of development
183
750000
4000
vedrete che la velocità di sviluppo
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
è molto diversa e i Paesi si spostano più o meno
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
allo stesso passo in quanto a soldi e a salute, ma sembra si possa progredire
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
più velocemente se si è in buona salute prima.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
E per dimostrarlo, prendiamo gli Emirati Arabi Uniti.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Vengono da qui, un Paese ricco di minerali. Hanno riservato il petrolio,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
ricevuto il denaro, ma la salute non si compra al supermercato.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Bisogna investire nella salute. Bisogna scolarizzare i bambini.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Bisogna formare il personale sanitario. Bisogna istruire la popolazione.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
E lo sceicco Al Zayed lo ha fatto proprio bene.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Nonostante la caduta dei costi del petrolio, ha portato il Paese qui.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Quindi abbiamo un quadro più compatto del mondo,
13:43
where all countries tend to use their money
195
798000
2000
dove tutti i Paesi tendono a usare il denaro
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
meglio rispetto al passato. Ora diamo uno sguardo alla
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
media dei dati dei Paesi. Sono così.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Usare la media dei dati può essere pericoloso, perché
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
c'è grande differenza tra i Paesi. Quindi se vado qui, vedo
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
che l'Uganda di oggi si trova dov'era la Corea del Sud nel 1960. Se divido l'Uganda,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
vedo che ci sono grandi differenze al suo interno. Questi sono i quintili dell'Uganda.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Il 20% degli ugandesi ricchi è qui.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
I poveri sono qui. Se divido il Sud Africa, sarà così.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Se prendiamo il Niger, dove c'è stata una tremenda carestia,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
sarà così. Il 20% della popolazione più povera del Niger è lì,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
ed il 20% dei sudafricani ricchi è qui,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
tuttavia si parla sempre delle soluzioni da prendere per l'Africa.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
In Africa c'è di tutto. E non si può discutere l'accesso
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
universale ai farmaci anti-HIV per quel quintile lì
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
con la stessa strategia utilizzata qui. Per avere un mondo migliore
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
bisogna contestualizzarlo, non è pertinente farlo a livello
15:00
on regional level. We must be much more detailed.
212
875000
3000
regionale. Dobbiamo essere più precisi.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Notiamo che gli studenti si entusiasmano ad usare questo metodo.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Sempre più politici e corporazioni vorrebbero vedere
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
come cambia il mondo. Perché non avviene?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Perché non usiamo i dati che abbiamo? I nostri dati sono presso le Nazioni Unite,
15:20
in the national statistical agencies
217
895000
2000
nelle agenzie statistiche nazionali
15:22
and in universities and other non-governmental organizations.
218
897000
4000
e nelle università ed altre organizzazioni non governative.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Perché i dati vengono nascosti nei database.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
E il pubblico esiste, internet esiste, ma non lo sfruttiamo a dovere.
15:33
All that information we saw changing in the world
221
908000
3000
Tutte le informazioni che vediamo sul mondo che cambia
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
non comprendono le statistiche a finanziamento pubblico.
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
Esistono siti web come questo, ma si nutrono dei database,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
ma ci mettono costi, stupide password e noiose statistiche.
15:51
(Laughter) (Applause)
225
926000
3000
(Risate). (Applausi).
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
E non va bene. Cosa serve? Abbiamo i database.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Non serve un nuovo database. Abbiamo splendidi strumenti
16:02
and more and more are added up here. So we started
228
937000
3000
ai quali se ne aggiungono altri. Perciò abbiamo creato
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
un'associazione no-profit chiamata "Gapminder" (riempivuoto)
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
pensando alla metropolitana di Londra e ai segnali
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
"attenti al vuoto". Quindi abbiamo ritenuto opportuno questo nome.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Abbiamo realizzato un software in grado di collegare i dati in questo modo.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Non è stato difficile. C'è voluto qualche anno e abbiamo realizzato animazioni.
16:26
You can take a data set and put it there.
234
961000
2000
Si può prendere un set di dati e metterlo qui.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Stiamo liberando i dati di alcune organizzazioni ONU.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Alcuni Paesi consentono la divulgazione dei loro database,
16:37
but what we really need is, of course, a search function.
237
972000
3000
ma fondamentalmente ciò che serve è una funzione di ricerca.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Una funzione che consenta di copiare i dati in formato ricercabile
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
e diffonderli nel mondo. E cosa sentiamo quando andiamo in giro?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Ho fatto uno studio antropologico. Tutti dicono:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"E' impossibile. Non si può fare. Le nostre informazioni
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
sono talmente particolari ed è impossibile ricercarle come le altre.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Non possiamo distribuire i nostri dati gratis agli studenti o agli imprenditori nel mondo".
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Ma questo è ciò che ci piacerebbe vedere, no?
17:08
The publicly-funded data is down here.
245
1003000
3000
I dati a finanziamento pubblico sono qui.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
E noi vorremmo vedere fiori nascere in rete.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
E uno dei punti cruciali è renderli ricercabili affinché possano essere usati
17:19
the different design tool to animate it there.
248
1014000
2000
i diversi strumenti di design per animarli.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Ho una buona notizia per voi. La buona notizia è che l'attuale
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
nuovo Capo dell'ufficio Statistiche dell'ONU non dice che è impossibile.
17:30
He only says, "We can't do it."
251
1025000
2000
Dice semplicemente: "Non possiamo farlo".
17:32
(Laughter)
252
1027000
4000
(Risate).
17:36
And that's a quite clever guy, huh?
253
1031000
2000
Ed è un tipo intelligente, eh?
17:38
(Laughter)
254
1033000
2000
(Risate).
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Ne vedremo delle belle nei dati degli anni a venire.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Potremo vedere la distribuzione dei redditi in modi del tutto nuovi.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Questa è la distribuzione dei redditi in Cina nel 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
La distribuzione dei redditi negli USA nel 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Non si sovrappongono quasi. Cos'è successo?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Ecco cosa è successo: la Cina sta crescendo, non è più così omogenea,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
e compare qui mentre quasi sovrasta gli USA.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Sembra quasi un fantasma, vero?
18:14
(Laughter)
263
1069000
2000
(Risate).
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Fa davvero paura. Ma credo sia importantissimo disporre di questi dati.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Dobbiamo vederli. Ma invece di parlare di questo,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
desidero concludere mostrandovi gli utenti internet per 1000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Con questo programma è possibile accedere facilmente a circa 500 variabili da tutti i Paesi.
18:42
It takes some time to change for this,
268
1097000
4000
Ci vuole un po' di tempo a cambiare,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
ma sugli assi è possibile inserire la variabile desiderata.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Il massimo sarebbe ottenere i database gratis,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
renderli ricercabili e con un secondo clic trasformarli
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
in formato grafico, in modo da essere immediatamente comprensibili.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Agli statistici questo non piace, perché dicono
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
che non mostrano la realtà, bisogna avere metodi statistici e analitici.
19:16
But this is hypothesis-generating.
275
1131000
3000
Ma questo porta alle ipotesi.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Concludo con il mondo. Qui sta arrivando internet.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Il numero di utenti internet sta crescendo in questo modo. Questo è il prodotto interno lordo pro capite.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
E c'è una nuova tecnologia in arrivo, ma è fantastico come si inserisce
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
nell'economia dei Paesi. Per questo il computer da 100 dollari
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
sarà importantissimo. Ma la tendenza è buona.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
E' come se il mondo si stesse appiattendo, vi pare?
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
Questi Paesi crescono più dell'economia e sarà interessante
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
starlo a vedere anno per anno, e vorrei poterlo fare
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
con tutti i dati a finanziamento pubblico. Grazie per l'attenzione.
19:53
(Applause)
285
1168000
3000
(Applausi).
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