TED2007
Emily Oster: Flip your thinking on AIDS in Africa
Emily Oster gooit ons denken over aids in Afrika om
Filmed:
Readability: 4.2
921,618 views
Emily Oster kijkt nog eens naar de statistieken over aids in Afrika vanuit een economisch perspectief. Ze komt tot een verbluffende conclusie: alles wat we weten over de spreiding van hiv over het continent, klopt niet.
Emily Oster - Assumption-busting economist
Emily Oster, a University of Chicago economist, uses the dismal science to rethink conventional wisdom, from her Harvard doctoral thesis that took on famed economist Amartya Sen to her recent work debunking assumptions on HIV prevalence in Africa. Full bio
Emily Oster, a University of Chicago economist, uses the dismal science to rethink conventional wisdom, from her Harvard doctoral thesis that took on famed economist Amartya Sen to her recent work debunking assumptions on HIV prevalence in Africa. Full bio
Double-click the English transcript below to play the video.
00:26
So I want to talk to you today about AIDS in sub-Saharan Africa.
0
1000
3000
Ik wil het vandaag hebben over aids in Afrika beneden de Sahara.
00:29
And this is a pretty well-educated audience,
1
4000
2000
Aangezien dit een goed geschoold publiek is,
00:31
so I imagine you all know something about AIDS.
2
6000
3000
denk ik dat jullie allemaal wel iets over aids weten.
00:34
You probably know that roughly 25 million people in Africa
3
9000
2000
Waarschijnlijk weet je dat ongeveer 25 miljoen mensen in Afrika besmet zijn met het virus
00:36
are infected with the virus, that AIDS is a disease of poverty,
4
11000
4000
en dat aids een armoedeziekte is.
00:40
and that if we can bring Africa out of poverty, we would decrease AIDS as well.
5
15000
4000
En dat als we armoede in Afrika zouden kunnen verminderen, aids ook zou verminderen.
00:44
If you know something more, you probably know that Uganda, to date,
6
19000
3000
Weet je wat meer, dan weet je waarschijnlijk dat Oeganda
00:47
is the only country in sub-Saharan Africa
7
22000
2000
totnogtoe het enige land in Afrika beneden de Sahara is
00:49
that has had success in combating the epidemic.
8
24000
3000
dat de epidemie succesvol bestreden heeft,
00:52
Using a campaign that encouraged people to abstain, be faithful, and use condoms --
9
27000
4000
door middel van een campagne die onthouding, trouw en condoomgebruik aanbeveelt --
00:56
the ABC campaign -- they decreased their prevalence in the 1990s
10
31000
4000
de ABC-campagne. In de jaren negentig
01:00
from about 15 percent to 6 percent over just a few years.
11
35000
4000
daalde het besmettingspercentage van 15 naar zes procent.
01:04
If you follow policy, you probably know that a few years ago
12
39000
3000
Volg je het beleid, dan weet je waarschijnlijk dat een paar jaar geleden
01:07
the president pledged 15 billion dollars to fight the epidemic over five years,
13
42000
4000
de president 15 miljard dollar toezegde om de epidemie vijf jaar lang te bestrijden
01:11
and a lot of that money is going to go to programs that try to replicate Uganda
14
46000
3000
en dat een groot deel van dat geld naar programma's gaat die Oeganda willen nadoen
01:14
and use behavior change to encourage people and decrease the epidemic.
15
49000
6000
en gedragsverandering gebruiken om de epidemie te bestrijden.
01:20
So today I'm going to talk about some things
16
55000
2000
Vandaag ga ik het hebben over aspecten van de epidemie
01:22
that you might not know about the epidemic,
17
57000
2000
die je wellicht niet kent.
01:24
and I'm actually also going to challenge
18
59000
2000
Vervolgens ga ik zelfs sommige aspecten
01:26
some of these things that you think that you do know.
19
61000
2000
die je denkt te weten bestrijden.
01:28
To do that I'm going to talk about my research
20
63000
3000
Dit ga ik doen door te vertellen over mijn onderzoek
01:31
as an economist on the epidemic.
21
66000
2000
als econoom over de epidemie.
01:33
And I'm not really going to talk much about the economy.
22
68000
2000
Ik ga het niet veel hebben over de economie.
01:35
I'm not going to tell you about exports and prices.
23
70000
3000
Ik ga niet vertellen over exportcijfers en prijzen.
01:38
But I'm going to use tools and ideas that are familiar to economists
24
73000
4000
Maar ik ga middelen en ideeën gebruiken die economen goed kennen
01:42
to think about a problem that's more traditionally
25
77000
2000
om over een probleem na te denken dat traditioneel
01:44
part of public health and epidemiology.
26
79000
2000
een onderdeel is van volksgezondheid en epidemiologie.
01:46
And I think in that sense, this fits really nicely with this lateral thinking idea.
27
81000
4000
Zo beschouwd past dit goed binnen het multilaterale denken.
01:50
Here I'm really using the tools of one academic discipline
28
85000
3000
Hier gebruik ik de middelen van de ene academische discipline
01:53
to think about problems of another.
29
88000
2000
om na te denken over de problemen van een andere.
01:55
So we think, first and foremost, AIDS is a policy issue.
30
90000
3000
We denken dat aids vooral een beleidsissue is.
01:58
And probably for most people in this room, that's how you think about it.
31
93000
3000
De meeste hier aanwezigen zullen er zo over denken.
02:01
But this talk is going to be about understanding facts about the epidemic.
32
96000
4000
Maar dit praatje gaat over het begrijpen van feiten over deze epidemie.
02:05
It's going to be about thinking about how it evolves, and how people respond to it.
33
100000
3000
Het gaat over nadenken over haar ontwikkeling en de menselijke reactie daarop.
02:08
I think it may seem like I'm ignoring the policy stuff,
34
103000
3000
Het kan lijken alsof ik de beleidskant links laat liggen,
02:11
which is really the most important,
35
106000
2000
die echt de meest belangrijke is.
02:13
but I'm hoping that at the end of this talk you will conclude
36
108000
2000
Maar ik hoop dat je aan het eind van dit praatje zult concluderen
02:15
that we actually cannot develop effective policy
37
110000
2000
dat we eigenlijk geen effectief beleid kunnen ontwikkelen
02:17
unless we really understand how the epidemic works.
38
112000
3000
tenzij we de epidemie écht begrijpen.
02:20
And the first thing that I want to talk about,
39
115000
2000
Het eerste waarover ik het wil hebben
02:22
the first thing I think we need to understand is:
40
117000
2000
en dat we moeten begrijpen, is:
02:24
how do people respond to the epidemic?
41
119000
2000
hoe reageren mensen op de epidemie?
02:26
So AIDS is a sexually transmitted infection, and it kills you.
42
121000
4000
Aids is een soa die dodelijk is.
02:30
So this means that in a place with a lot of AIDS,
43
125000
2000
Dit betekent dat op een plek met veel aids
02:32
there's a really significant cost of sex.
44
127000
2000
er flinke kosten aan seks zijn verbonden.
02:34
If you're an uninfected man living in Botswana, where the HIV rate is 30 percent,
45
129000
4000
Als je een ongeïnfecteerde man bent in Botswana, waar een hiv-besmetting is van 30 procent,
02:38
if you have one more partner this year -- a long-term partner, girlfriend, mistress --
46
133000
4000
als je één partner meer hebt dit jaar -- een vaste partner, vriendin of maitresse --
02:42
your chance of dying in 10 years increases by three percentage points.
47
137000
4000
neemt je kans op sterfte in de komende tien jaar met drie procentpunt toe.
02:46
That is a huge effect.
48
141000
2000
Dat is een enorm gevolg.
02:48
And so I think that we really feel like then people should have less sex.
49
143000
3000
Daarom denk ik dat we vinden dat mensen minder seks zouden moeten hebben.
02:51
And in fact among gay men in the US
50
146000
2000
In feite zagen we deze verandering
02:53
we did see that kind of change in the 1980s.
51
148000
2000
in de jaren tachtig bij homo's in de VS.
02:55
So if we look in this particularly high-risk sample, they're being asked,
52
150000
4000
Als wij aan personen binnen deze specifieke hogerisicogroep vroegen:
02:59
"Did you have more than one unprotected sexual partner in the last two months?"
53
154000
3000
'Heb je meer dan één onbeschermde sekspartner gehad tijdens de laatste twee maanden?'
03:02
Over a period from '84 to '88, that share drops from about 85 percent to 55 percent.
54
157000
6000
Tussen 1984 en '88 daalt dat deel van 85 naar 55 procent.
03:08
It's a huge change in a very short period of time.
55
163000
2000
Een enorme verandering in heel korte tijd.
03:10
We didn't see anything like that in Africa.
56
165000
2000
Zoiets hebben we niet in Afrika gezien.
03:12
So we don't have quite as good data, but you can see here
57
167000
3000
De gegevens zijn niet zo goed, maar hier kun je
03:15
the share of single men having pre-marital sex,
58
170000
2000
het deel vrijgezelle mannen zien met seks voor het huwelijk
03:17
or married men having extra-marital sex,
59
172000
2000
of getrouwde mannen met buitenechtelijke seks,
03:19
and how that changes from the early '90s to late '90s,
60
174000
3000
en hoe dat verandert tijdens de jaren negentig
03:22
and late '90s to early 2000s. The epidemic is getting worse.
61
177000
3000
en een paar jaar daarna. De epidemie wordt erger.
03:25
People are learning more things about it.
62
180000
2000
Mensen leren er steeds meer over ...
03:27
We see almost no change in sexual behavior.
63
182000
2000
we zien nauwelijks verandering in seksueel gedrag.
03:29
These are just tiny decreases -- two percentage points -- not significant.
64
184000
4000
Dit zijn minieme dalingen -- twee procentpunt -- niet significant.
03:33
This seems puzzling. But I'm going to argue that you shouldn't be surprised by this,
65
188000
4000
Dit lijkt vreemd, maar ik ga betogen dat je niet verrast zou moeten zijn.
03:37
and that to understand this you need to think about health
66
192000
3000
Om dat te begrijpen moet je over gezondheid
03:40
the way than an economist does -- as an investment.
67
195000
3000
nadenken als een econoom -- als een investering.
03:43
So if you're a software engineer and you're trying to think about
68
198000
3000
Als je een softwareprogrammeur bent en je overweegt
03:46
whether to add some new functionality to your program,
69
201000
3000
nieuwe functionaliteit aan je programma toe te voegen,
03:49
it's important to think about how much it costs.
70
204000
2000
is de kostenraming hierbij belangrijk.
03:51
It's also important to think about what the benefit is.
71
206000
2000
Ook is het belangrijk te bedenken wat het opbrengt.
03:53
And one part of that benefit is how much longer
72
208000
2000
Een deel van die overweging is hoe lang je denkt
03:55
you think this program is going to be active.
73
210000
2000
dat dit programma nog actief zal zijn.
03:57
If version 10 is coming out next week,
74
212000
2000
Als versie 10 volgende week uitkomt,
03:59
there's no point in adding more functionality into version nine.
75
214000
3000
is iets toevoegen aan versie negen nutteloos.
04:02
But your health decisions are the same.
76
217000
2000
Gezondheidskeuzes werken ook zo.
04:04
Every time you have a carrot instead of a cookie,
77
219000
2000
Elke keer als je een wortel in plaats van een koekje eet,
04:06
every time you go to the gym instead of going to the movies,
78
221000
3000
elke keer als je naar de sportschool in plaats van de film gaat,
04:09
that's a costly investment in your health.
79
224000
2000
is dat een kostbare gezondheidsinvestering.
04:11
But how much you want to invest is going to depend
80
226000
2000
Maar hoeveel je wil investeren, zal afhangen van
04:13
on how much longer you expect to live in the future,
81
228000
2000
hoeveel langer je denkt te leven --
04:15
even if you don't make those investments.
82
230000
2000
zelfs als je niet van dat soort investeringen maakt.
04:17
AIDS is the same kind of thing. It's costly to avoid AIDS.
83
232000
3000
Aids is ook zoiets. Het is kostbaar aids te vermijden.
04:20
People really like to have sex.
84
235000
3000
Mensen houden heel erg van seks.
04:23
But, you know, it has a benefit in terms of future longevity.
85
238000
6000
Maar het biedt voordelen voor een toekomstig lang leven.
04:29
But life expectancy in Africa, even without AIDS, is really, really low:
86
244000
4000
Maar levensverwachting in Afrika is zelfs zonder aids zeer laag:
04:33
40 or 50 years in a lot of places.
87
248000
3000
op veel plekken 40 of 50 jaar.
04:36
I think it's possible, if we think about that intuition, and think about that fact,
88
251000
4000
Als we aan die intuïtie en dat feit denken,
04:40
that maybe that explains some of this low behavior change.
89
255000
3000
hebben we wellicht een verklaring voor de beperkte gedragsverandering.
04:43
But we really need to test that.
90
258000
2000
Maar dat moeten we echt testen.
04:45
And a great way to test that is to look across areas in Africa and see:
91
260000
3000
En een uitstekende manier om dat te doen is om verschillende plekken in Afrika te bekijken en te vragen:
04:48
do people with more life expectancy change their sexual behavior more?
92
263000
4000
veranderen mensen met een hogere levensverwachting hun seksueel gedrag meer?
04:52
And the way that I'm going to do that is,
93
267000
2000
Dit ga ik doen door te kijken
04:54
I'm going to look across areas with different levels of malaria.
94
269000
3000
naar gebieden met verschillen malarianiveaus.
04:57
So malaria is a disease that kills you.
95
272000
3000
Malaria is een dodelijke ziekte.
05:00
It's a disease that kills a lot of adults in Africa, in addition to a lot of children.
96
275000
3000
Naast veel kinderen doodt malaria ook veel volwassen Afrikanen.
05:03
And so people who live in areas with a lot of malaria
97
278000
3000
Mensen die in gebieden met veel malaria leven
05:06
are going to have lower life expectancy than people who live in areas with limited malaria.
98
281000
4000
hebben dus een lagere levensverwachting dan in gebieden met weinig malaria.
05:10
So one way to test to see whether we can explain
99
285000
2000
Dus een manier om te testen of we de gedragsverandering
05:12
some of this behavior change by differences in life expectancy
100
287000
3000
door verschillen in levensverwachting kunnen verklaren,
05:15
is to look and see is there more behavior change
101
290000
3000
is door te kijken of er meer gedragsverandering is
05:18
in areas where there's less malaria.
102
293000
2000
in gebieden met minder malaria.
05:20
So that's what this figure shows you.
103
295000
2000
Dat is wat deze grafiek laat zien.
05:22
This shows you -- in areas with low malaria, medium malaria, high malaria --
104
297000
4000
Deze laat zien -- in gebieden met weinig, gemiddeld en veel malaria --
05:26
what happens to the number of sexual partners as you increase HIV prevalence.
105
301000
4000
wat er gebeurt met het aantal sekspartners als je het hiv-percentage verhoogt.
05:30
If you look at the blue line,
106
305000
2000
Als je naar de blauwe lijn kijkt,
05:32
the areas with low levels of malaria, you can see in those areas,
107
307000
3000
de gebieden met weinig malaria, zie je dat in die gebieden
05:35
actually, the number of sexual partners is decreasing a lot
108
310000
3000
het aantal sekspartners sterk afneemt,
05:38
as HIV prevalence goes up.
109
313000
2000
terwijl de hiv-besmettingsgraad stijgt.
05:40
Areas with medium levels of malaria it decreases some --
110
315000
2000
Gebieden met gemiddeld malarianiveau neemt wat af--
05:42
it doesn't decrease as much. And areas with high levels of malaria --
111
317000
3000
maar niet zo veel. En gebieden met veel malaria--
05:45
actually, it's increasing a little bit, although that's not significant.
112
320000
5000
eigenlijk neemt het wat toe, alhoewel het niet significant is.
05:50
This is not just through malaria.
113
325000
2000
Dit komt niet alleen door malaria.
05:52
Young women who live in areas with high maternal mortality
114
327000
3000
Jonge vrouwen die leven in gebieden met een hoge moedersterfte
05:55
change their behavior less in response to HIV
115
330000
3000
veranderen hun gedrag minder in reactie op hiv
05:58
than young women who live in areas with low maternal mortality.
116
333000
3000
dan jonge vrouwen in gebieden met een lage moedersterfte.
06:01
There's another risk, and they respond less to this existing risk.
117
336000
4000
Daar is nog een risico en ze reageren minder op dit bestaande risico.
06:06
So by itself, I think this tells a lot about how people behave.
118
341000
3000
Op zichzelf vertelt dit veel over hoe mensen zich gedragen.
06:09
It tells us something about why we see limited behavior change in Africa.
119
344000
3000
Het vertelt ons iets over de beperkte gedragsverandering in Afrika.
06:12
But it also tells us something about policy.
120
347000
2000
Maar het vertelt ons ook iets over beleid.
06:14
Even if you only cared about AIDS in Africa,
121
349000
3000
Zelfs als je enige zorg in Afrika aids zou zijn,
06:17
it might still be a good idea to invest in malaria,
122
352000
3000
kan het nog steeds lonen in malaria te investeren,
06:20
in combating poor indoor air quality,
123
355000
2000
tegen slechte binnenluchtkwaliteit te strijden,
06:22
in improving maternal mortality rates.
124
357000
2000
moedersterftecijfers te verbeteren.
06:24
Because if you improve those things,
125
359000
2000
Omdat als je deze dingen verbetert,
06:26
then people are going to have an incentive to avoid AIDS on their own.
126
361000
4000
mensen een stimulans zullen hebben zelfstandig aids te vermijden.
06:30
But it also tells us something about one of these facts that we talked about before.
127
365000
4000
Maar het zegt ook iets over één van de feiten die we besproken hebben.
06:34
Education campaigns, like the one that the president is focusing on in his funding,
128
369000
4000
Onderwijzende campagnes, zoals die waar de president op focust met zijn financiële gift,
06:38
may not be enough, at least not alone.
129
373000
2000
is wellicht niet genoeg. Ten minste niet alleen.
06:40
If people have no incentive to avoid AIDS on their own,
130
375000
2000
Als mensen geen stimulans hebben zelfstandig aids te vermijden --
06:42
even if they know everything about the disease,
131
377000
2000
zelfs als ze alles over de ziekte weten --
06:44
they still may not change their behavior.
132
379000
2000
veranderen ze hun gedrag misschien nog steeds niet.
06:46
So the other thing that I think we learn here is that AIDS is not going to fix itself.
133
381000
3000
Het tweede wat we hiervan leren is dat aids zichzelf niet gaat oplossen.
06:49
People aren't changing their behavior enough
134
384000
2000
Mensen veranderen hun gedrag niet genoeg
06:51
to decrease the growth in the epidemic.
135
386000
3000
om de groei van de epidemie te verkleinen.
06:54
So we're going to need to think about policy
136
389000
2000
We moeten dus nadenken over beleid
06:56
and what kind of policies might be effective.
137
391000
2000
en wat voor soort beleid effectief kan zijn.
06:58
And a great way to learn about policy is to look at what worked in the past.
138
393000
3000
Een heel goede manier om dat te doen is door te kijken naar wat in het verleden werkte.
07:01
The reason that we know that the ABC campaign
139
396000
2000
We weten dat de ABC-campagne in Oeganda effectief was,
07:03
was effective in Uganda is we have good data on prevalence over time.
140
398000
3000
omdat we goede hiv-gegevens door de jaren heen hebben.
07:06
In Uganda we see the prevalence went down.
141
401000
2000
We zien dat daar de besmettingsgraad daalt.
07:08
We know they had this campaign. That's how we learn about what works.
142
403000
3000
Zij hadden deze campagne. Zo leren we wat werkt.
07:11
It's not the only place we had any interventions.
143
406000
2000
Niet alleen in Oeganda hebben we wat geprobeerd.
07:13
Other places have tried things, so why don't we look at those places
144
408000
4000
Andere gebieden hebben dat ook gedaan, dus waarom kijken we niet
07:17
and see what happened to their prevalence?
145
412000
3000
wat daar met besmettingsgraden is gebeurd?
07:20
Unfortunately, there's almost no good data
146
415000
2000
Jammer genoeg zijn er haast geen goede gegevens
07:22
on HIV prevalence in the general population in Africa until about 2003.
147
417000
5000
van besmettingsgraden over de gehele Afrikaanse bevolking tot ongeveer 2003.
07:27
So if I asked you, "Why don't you go and find me
148
422000
2000
Dus als ik je zou vragen: 'Kun je voor mij
07:29
the prevalence in Burkina Faso in 1991?"
149
424000
3000
de graad in Burkina Faso in 1991 vinden?'
07:32
You get on Google, you Google, and you find,
150
427000
3000
ga je naar Google -- en vind je daar dat
07:35
actually the only people tested in Burkina Faso in 1991
151
430000
3000
in feite de enige geteste personen daar in 1991
07:38
are STD patients and pregnant women,
152
433000
2000
soa-patiënten en zwangere vrouwen zijn.
07:40
which is not a terribly representative group of people.
153
435000
2000
Dat is geen bijzonder representatieve groep.
07:42
Then if you poked a little more, you looked a little more at what was going on,
154
437000
3000
Als je er wat dieper op zou ingaan, zou je bemerken
07:45
you'd find that actually that was a pretty good year,
155
440000
3000
dat dit eigenlijk een heel goed jaar was.
07:48
because in some years the only people tested are IV drug users.
156
443000
3000
Omdat in sommige jaren de enige geteste mensen injecterende drugsgebruikers zijn.
07:51
But even worse -- some years it's only IV drug users,
157
446000
2000
Maar erger nog -- in sommige jaren alleen injecterende drugsgebruikers,
07:53
some years it's only pregnant women.
158
448000
2000
andere jaren alleen zwangere vrouwen.
07:55
We have no way to figure out what happened over time.
159
450000
2000
We kunnen niet achterhalen wat door de tijd heen is gebeurd.
07:57
We have no consistent testing.
160
452000
2000
Er zijn geen consistente testresultaten.
07:59
Now in the last few years, we actually have done some good testing.
161
454000
5000
Tijdens de laatste jaren hebben we wel goede testen gedaan.
08:04
In Kenya, in Zambia, and a bunch of countries,
162
459000
3000
In Kenia, Zambia en andere landen
08:07
there's been testing in random samples of the population.
163
462000
3000
zijn dwarsdoorsnedes van de bevolking getest.
08:10
But this leaves us with a big gap in our knowledge.
164
465000
3000
Maar dit laat ons achter met een groot gat in onze kennis.
08:13
So I can tell you what the prevalence was in Kenya in 2003,
165
468000
3000
Ik kan je dus de besmettingsgraad van Kenia in 2003 geven,
08:16
but I can't tell you anything about 1993 or 1983.
166
471000
3000
maar niet die van 1993 of 1983.
08:19
So this is a problem for policy. It was a problem for my research.
167
474000
4000
Dat is een probleem voor beleid en was een probleem voor mijn onderzoek.
08:23
And I started thinking about how else might we figure out
168
478000
4000
Dus ik begon na te denken hoe we er anders achter konden komen
08:27
what the prevalence of HIV was in Africa in the past.
169
482000
2000
wat besmettingsgraden in Afrika in het verleden waren.
08:29
And I think that the answer is, we can look at mortality data,
170
484000
4000
Ik denk dat het antwoord te vinden is in sterftecijfers
08:33
and we can use mortality data to figure out what the prevalence was in the past.
171
488000
4000
en dat we die kunnen gebruiken om besmettingsgraden in het verleden te bepalen.
08:37
To do this, we're going to have to rely on the fact
172
492000
2000
Hiervoor moeten we ons afhankelijk stellen van het feit
08:39
that AIDS is a very specific kind of disease.
173
494000
2000
dat aids een heel specifieke ziekte is.
08:41
It kills people in the prime of their lives.
174
496000
2000
Aids doodt mensen in de bloei van hun leven.
08:43
Not a lot of other diseases have that profile. And you can see here --
175
498000
3000
Niet veel ziektes hebben dat profiel. Hier kun je een grafiek zien
08:46
this is a graph of death rates by age in Botswana and Egypt.
176
501000
4000
met sterftecijfers per leeftijd in Botswana en Egypte.
08:50
Botswana is a place with a lot of AIDS,
177
505000
2000
In Botswana is veel aids,
08:52
Egypt is a place without a lot of AIDS.
178
507000
2000
in Egypte is weinig aids.
08:54
And you see they have pretty similar death rates among young kids and old people.
179
509000
3000
Voor kleine kinderen en oude mensen zijn sterftecijfers ongeveer gelijk.
08:57
That suggests it's pretty similar levels of development.
180
512000
3000
Dat suggereert ongeveer gelijke ontwikkelingsniveaus.
09:00
But in this middle region, between 20 and 45,
181
515000
3000
Maar in deze middenzone, tussen 20 en 45,
09:03
the death rates in Botswana are much, much, much higher than in Egypt.
182
518000
4000
zijn sterftecijfers veel en veel hoger in Botswana dan in Egypte.
09:07
But since there are very few other diseases that kill people,
183
522000
4000
Met weinig andere dodelijke ziektes,
09:11
we can really attribute that mortality to HIV.
184
526000
3000
kunnen we deze sterfte aan hiv toeschrijven.
09:14
But because people who died this year of AIDS got it a few years ago,
185
529000
4000
Omdat mensen die dit jaar aan aids stierven het een paar jaar geleden opliepen,
09:18
we can use this data on mortality to figure out what HIV prevalence was in the past.
186
533000
5000
kunnen we de stertecijfers gebruiken om de hiv-graad in het verleden vast te stellen.
09:23
So it turns out, if you use this technique,
187
538000
2000
Het blijkt dat als je deze techniek gebruikt,
09:25
actually your estimates of prevalence are very close
188
540000
2000
de schattingen over besmettingsgraden heel dicht liggen
09:27
to what we get from testing random samples in the population,
189
542000
3000
bij wat je haalt uit een test met een dwarsdoorsnede van de bevolking --
09:30
but they're very, very different than what UNAIDS tells us the prevalences are.
190
545000
5000
maar ze zijn heel, heel anders dan wat UNAIDS als besmettingsgraden aangeeft.
09:35
So this is a graph of prevalence estimated by UNAIDS,
191
550000
3000
Deze grafiek laat besmettingsschattingen van UNAIDS zien,
09:38
and prevalence based on the mortality data
192
553000
2000
en schattingen op basis van sterftecijfers
09:40
for the years in the late 1990s in nine countries in Africa.
193
555000
4000
voor de late jaren negentig in negen Afrikaanse landen.
09:44
You can see, almost without exception,
194
559000
2000
Je ziet dat bijna zonder uitzondering
09:46
the UNAIDS estimates are much higher than the mortality-based estimates.
195
561000
4000
de UNAIDS-verwachtingen veel hoger zijn dan op basis van sterftecijfers.
09:50
UNAIDS tell us that the HIV rate in Zambia is 20 percent,
196
565000
4000
UNAIDS geeft een hiv-percentage van 20 in Zambia,
09:54
and mortality estimates suggest it's only about 5 percent.
197
569000
4000
sterftecijferverwachtingen geven aan dat het slechts ongeveer vijf procent is.
09:58
And these are not trivial differences in mortality rates.
198
573000
3000
Dit zijn geen triviale verschillen in sterftecijfers.
10:01
So this is another way to see this.
199
576000
2000
Er is nog een andere manier om dit te zien.
10:03
You can see that for the prevalence to be as high as UNAIDS says,
200
578000
2000
Hier zie je dat als de besmettingsgraad zo hoog zou zijn als UNAIDS zegt,
10:05
we have to really see 60 deaths per 10,000
201
580000
2000
we 60 sterfgevallen per 10.000 mensen zouden hebben
10:07
rather than 20 deaths per 10,000 in this age group.
202
582000
4000
in plaats van 20 per 10.000 in deze leeftijdsgroep.
10:11
I'm going to talk a little bit in a minute
203
586000
2000
Zo meteen zal ik vertellen
10:13
about how we can use this kind of information to learn something
204
588000
3000
hoe we van deze informatie kunnen leren
10:16
that's going to help us think about the world.
205
591000
2000
op een wijze die ons helpt over de wereld na te denken.
10:18
But this also tells us that one of these facts
206
593000
2000
Maar dit geeft ook aan dat
10:20
that I mentioned in the beginning may not be quite right.
207
595000
3000
één van de eerder genoemde feiten niet klopt.
10:23
If you think that 25 million people are infected,
208
598000
2000
Als je denkt dat 25 miljoen mensen geïnfecteerd zijn,
10:25
if you think that the UNAIDS numbers are much too high,
209
600000
3000
maar je bedenkt ook dat UNAIDS-cijfers veel te hoog zijn,
10:28
maybe that's more like 10 or 15 million.
210
603000
2000
is dat wellicht eerder iets van 10 tot 15 miljoen mensen.
10:30
It doesn't mean that AIDS isn't a problem. It's a gigantic problem.
211
605000
4000
Dit betekent niet dat aids geen probleem is. Het probleem is gigantisch.
10:34
But it does suggest that that number might be a little big.
212
609000
4000
Maar het geeft wel aan dat het cijfer te hoog is.
10:38
What I really want to do, is I want to use this new data
213
613000
2000
Ik wil deze nieuwe gegevens gebruiken om te ontdekken
10:40
to try to figure out what makes the HIV epidemic grow faster or slower.
214
615000
4000
wat de hiv-epidemie sneller of langzamer doet groeien.
10:44
And I said in the beginning, I wasn't going to tell you about exports.
215
619000
3000
En zoals ik bij aanvang zei, ik zou niet vertellen over exportcijfers.
10:47
When I started working on these projects,
216
622000
2000
Toen ik met deze projecten begon,
10:49
I was not thinking at all about economics,
217
624000
2000
was ik helemaal niet met economie bezig,
10:51
but eventually it kind of sucks you back in.
218
626000
3000
maar gaandeweg trekt het toch weer aan je.
10:54
So I am going to talk about exports and prices.
219
629000
3000
Dus ik ga toch praten over exportcijfers en prijzen.
10:57
And I want to talk about the relationship between economic activity,
220
632000
3000
Ik wil praten over de verhouding tussen economische activiteit,
11:00
in particular export volume, and HIV infections.
221
635000
4000
in het bijzonder exportvolume, en hiv-infecties.
11:04
So obviously, as an economist, I'm deeply familiar
222
639000
4000
Als econoom ben ik natuurlijk zeer bekend met het feit
11:08
with the fact that development, that openness to trade,
223
643000
2000
dat ontwikkeling en open handel erg goed is
11:10
is really good for developing countries.
224
645000
2000
voor ontwikkelingslanden.
11:12
It's good for improving people's lives.
225
647000
3000
Het helpt mensenlevens te verbeteren.
11:15
But openness and inter-connectedness, it comes with a cost
226
650000
2000
Maar openheid en netwerkdeelname brengen kosten met zich mee
11:17
when we think about disease. I don't think this should be a surprise.
227
652000
3000
als we aan ziektes denken. Niet verrassend, lijkt me.
11:20
On Wednesday, I learned from Laurie Garrett
228
655000
2000
Woensdag jl. leerde ik van Laurie Garrett
11:22
that I'm definitely going to get the bird flu,
229
657000
2000
dat ik zeker vogelgriep ga krijgen,
11:24
and I wouldn't be at all worried about that
230
659000
3000
waar ik me geen enkele zorg om zou maken
11:27
if we never had any contact with Asia.
231
662000
3000
als we nooit contact met Azië hadden.
11:30
And HIV is actually particularly closely linked to transit.
232
665000
4000
Hiv is in feite bijzonder dicht gelieerd aan transport.
11:34
The epidemic was introduced to the US
233
669000
2000
The epidemie kwam de VS binnen
11:36
by actually one male steward on an airline flight,
234
671000
4000
door slechts één mannelijke steward aan boord van een vliegtuig,
11:40
who got the disease in Africa and brought it back.
235
675000
2000
die de ziekte in Afrika opliep en haar naar de VS bracht.
11:42
And that was the genesis of the entire epidemic in the US.
236
677000
3000
Dat was de oorsprong van de hele epidemie in de VS.
11:45
In Africa, epidemiologists have noted for a long time
237
680000
4000
In Afrika weten epidemiologen sinds lang
11:49
that truck drivers and migrants are more likely to be infected than other people.
238
684000
4000
dat vrachtwagenschauffeurs en migranten een grotere kans op infectie hebben.
11:53
Areas with a lot of economic activity --
239
688000
2000
Gebieden met veel economische activiteit --
11:55
with a lot of roads, with a lot of urbanization --
240
690000
3000
met veel wegen en steden --
11:58
those areas have higher prevalence than others.
241
693000
2000
hebben hogere besmettingsgraden dan elders.
12:00
But that actually doesn't mean at all
242
695000
2000
Dit betekent echter zeker niet
12:02
that if we gave people more exports, more trade, that that would increase prevalence.
243
697000
4000
dat als we mensen meer handel zouden geven, besmettingen zouden toenemen.
12:06
By using this new data, using this information about prevalence over time,
244
701000
4000
Met gebruik van deze nieuwe gegevens door de tijd heen
12:10
we can actually test that. And so it seems to be --
245
705000
4000
kunnen we dat daadwerkelijk testen. En het lijkt --
12:14
fortunately, I think -- it seems to be the case
246
709000
2000
gelukkig, denk ik -- dat deze dingen
12:16
that these things are positively related.
247
711000
2000
positief gerelateerd zijn.
12:18
More exports means more AIDS. And that effect is really big.
248
713000
4000
Meer export betekent meer aids. Dat gevolg is heel groot.
12:22
So the data that I have suggests that if you double export volume,
249
717000
4000
Mijn gegevens suggereren dat een exportverdubbeling
12:26
it will lead to a quadrupling of new HIV infections.
250
721000
5000
zal leiden tot een verviervoudiging van nieuwe infecties.
12:31
So this has important implications both for forecasting and for policy.
251
726000
3000
Zowel voor voorspelling als beleid biedt dit belangrijke implicaties.
12:34
From a forecasting perspective, if we know where trade is likely to change,
252
729000
4000
Vanuit een voorspellend perspectief: als we weten waar handel waarschijnlijk gaat veranderen,
12:38
for example, because of the African Growth and Opportunities Act
253
733000
3000
bijvoorbeeld door de African Growth and Opportunities Act
12:41
or other policies that encourage trade,
254
736000
2000
of ander bevorderend beleid,
12:43
we can actually think about which areas are likely to be heavily infected with HIV.
255
738000
5000
kunnen we nadenken over welke gebieden waarschijnlijk zwaar hiv-besmet zullen worden.
12:48
And we can go and we can try to have pre-emptive preventive measures there.
256
743000
6000
Daar kunnen we dan proberen preventieve maatregelen te nemen.
12:54
Likewise, as we're developing policies to try to encourage exports,
257
749000
3000
Net zo, als we beleid ontwikkelen om export te bevorderen,
12:57
if we know there's this externality --
258
752000
2000
als we weten dat er externaliteit is --
12:59
this extra thing that's going to happen as we increase exports --
259
754000
2000
wat óók gaat gebeuren tijdens een exportstijging --
13:01
we can think about what the right kinds of policies are.
260
756000
3000
kunnen we nadenken over wat goed beleid is.
13:04
But it also tells us something about one of these things that we think that we know.
261
759000
3000
Maar het zegt ook iets over iets wat we denken te weten.
13:07
Even though it is the case that poverty is linked to AIDS,
262
762000
3000
Ondanks dat armoede gelieerd is aan aids,
13:10
in the sense that Africa is poor and they have a lot of AIDS,
263
765000
3000
in de zin dat Afrika arm is en veel aids heeft,
13:13
it's not necessarily the case that improving poverty -- at least in the short run,
264
768000
4000
is het niet per se het geval dat armoedeverlichting -- ten minste op korte termijn --
13:17
that improving exports and improving development --
265
772000
2000
dat import- en exportontwikkeling
13:19
it's not necessarily the case that that's going to lead
266
774000
2000
per se zal leiden tot een vermindering
13:21
to a decline in HIV prevalence.
267
776000
2000
van hiv-besmettingsgraden.
13:24
So throughout this talk I've mentioned a few times
268
779000
2000
Ik heb een paar keer aan het speciale geval Oeganda gerefereerd
13:26
the special case of Uganda, and the fact that
269
781000
2000
en aan het feit dat dit het enige
13:28
it's the only country in sub-Saharan Africa with successful prevention.
270
783000
4000
Afrikaanse land onder de Sahara is met succesvolle preventie.
13:32
It's been widely heralded.
271
787000
2000
Het wordt breed geroemd.
13:34
It's been replicated in Kenya, and Tanzania, and South Africa and many other places.
272
789000
6000
Het is nagedaan in Kenia, Tanzania, Zuid-Afrika en elders.
13:40
But now I want to actually also question that.
273
795000
4000
Maar ik wil dat in twijfel trekken.
13:44
Because it is true that there was a decline in prevalence
274
799000
3000
Het is waar dat de besmettingsgraad in Oeganda
13:47
in Uganda in the 1990s. It's true that they had an education campaign.
275
802000
4000
in de jaren negentig daalde. Ze hadden een onderwijzende campagne.
13:51
But there was actually something else that happened in Uganda in this period.
276
806000
6000
Maar eigenlijk gebeurde er toen ook iets anders daar.
13:57
There was a big decline in coffee prices.
277
812000
2000
Er was een flinke daling in koffieprijzen.
13:59
Coffee is Uganda's major export.
278
814000
2000
Koffie is Oeganda's belangrijkste exportproduct.
14:01
Their exports went down a lot in the early 1990s -- and actually that decline lines up
279
816000
5000
De export daalde sterk begin jaren negentig. Die daling loopt praktisch parallel
14:06
really, really closely with this decline in new HIV infections.
280
821000
4000
met de daling in hiv-infecties.
14:10
So you can see that both of these series --
281
825000
3000
Je ziet dat beide lijnen --
14:13
the black line is export value, the red line is new HIV infections --
282
828000
3000
zwart is exportwaarde, rood is nieuwe infecties --
14:16
you can see they're both increasing.
283
831000
2000
beide lijnen stijgen.
14:18
Starting about 1987 they're both going down a lot.
284
833000
2000
Rond 1987 dalen ze beide sterk.
14:20
And then actually they track each other
285
835000
2000
Dan volgen ze elkaar eigenlijk
14:22
a little bit on the increase later in the decade.
286
837000
2000
en stijgen ze wat later in het decennium.
14:24
So if you combine the intuition in this figure
287
839000
2000
Als je de intuïtie, dit figuur
14:26
with some of the data that I talked about before,
288
841000
3000
en enkele eerder genoemde gegevens combineert,
14:29
it suggests that somewhere between 25 percent and 50 percent
289
844000
4000
geeft dit aan dat ergens tussen de 25 en 50 procent
14:33
of the decline in prevalence in Uganda
290
848000
2000
van de daling van de besmettingsgraad in Oeganda
14:35
actually would have happened even without any education campaign.
291
850000
4000
ook zou hebben plaatsgevonden zonder onderwijzende campagne.
14:39
But that's enormously important for policy.
292
854000
2000
Dat is enorm belangrijk voor beleid.
14:41
We're spending so much money to try to replicate this campaign.
293
856000
2000
We geven veel geld uit om deze campagne na te doen.
14:43
And if it was only 50 percent as effective as we think that it was,
294
858000
3000
Als deze slechts half zo effectief is als we dachten,
14:46
then there are all sorts of other things
295
861000
2000
zijn er wellicht heel veel andere dingen
14:48
maybe we should be spending our money on instead.
296
863000
2000
waar we ons geld beter in kunnen steken.
14:50
Trying to change transmission rates by treating other sexually transmitted diseases.
297
865000
4000
Proberen overdracht te verminderen door andere soa's te behandelen.
14:54
Trying to change them by engaging in male circumcision.
298
869000
2000
Proberen overdracht te beperken door mannelijke besnijdenis.
14:56
There are tons of other things that we should think about doing.
299
871000
2000
Er zijn tal van andere dingen die we kunnen overwegen.
14:58
And maybe this tells us that we should be thinking more about those things.
300
873000
4000
Wellicht vertelt dit ons dat we meer aan die dingen zouden moeten denken.
15:02
I hope that in the last 16 minutes I've told you something that you didn't know about AIDS,
301
877000
5000
Ik hoop dat ik je wat heb verteld dat je niet wist over aids
15:07
and I hope that I've gotten you questioning a little bit
302
882000
2000
en ik hoop dat ik je een beetje heb doen twijfelen
15:09
some of the things that you did know.
303
884000
2000
aan sommige zaken die je wist.
15:11
And I hope that I've convinced you maybe
304
886000
2000
Ik hoop dat ik je wellicht heb overtuigd
15:13
that it's important to understand things about the epidemic
305
888000
2000
van het belang de epidemie te begrijpen
15:15
in order to think about policy.
306
890000
2000
om over beleid na te denken.
15:18
But more than anything, you know, I'm an academic.
307
893000
2000
Meer dan alles ben ik een wetenschapper.
15:20
And when I leave here, I'm going to go back
308
895000
2000
Ik ga straks terug naar mijn bureau,
15:22
and sit in my tiny office, and my computer, and my data.
309
897000
3000
mijn computer en mijn gegevens --
15:25
And the thing that's most exciting about that
310
900000
2000
opwindend daaraan is dat elke keer
15:27
is every time I think about research, there are more questions.
311
902000
3000
als ik aan onderzoek denk, er meer vragen zijn.
15:30
There are more things that I think that I want to do.
312
905000
2000
Er zijn meer dingen die ik wil doen.
15:32
And what's really, really great about being here
313
907000
2000
Wat fantastisch is van hier aanwezig zijn,
15:34
is I'm sure that the questions that you guys have
314
909000
2000
is dat ik zeker weet dat jullie vragen
15:36
are very, very different than the questions that I think up myself.
315
911000
3000
heel anders zijn dan de vragen die ik voor mezelf bedenk.
15:39
And I can't wait to hear about what they are.
316
914000
2000
Ik kan niet wachten om ze te horen.
15:41
So thank you very much.
317
916000
2000
Heel hartelijk dank.
ABOUT THE SPEAKER
Emily Oster - Assumption-busting economistEmily Oster, a University of Chicago economist, uses the dismal science to rethink conventional wisdom, from her Harvard doctoral thesis that took on famed economist Amartya Sen to her recent work debunking assumptions on HIV prevalence in Africa.
Why you should listen
Emily Oster, an Assistant Professor of Economics at the University of Chicago, has a history of rethinking conventional wisdom.
Her Harvard doctoral thesis took on famed economist Amartya Sen and his claim that 100 million women were statistically missing from the developing world. He blamed misogynist medical care and outright sex-selective abortion for the gap, but Oster pointed to data indicating that in countries where Hepetitis B infections were higher, more boys were born. Through her unorthodox analysis of medical data, she accounted for 50% of the missing girls. Three years later, she would publish another paper amending her findings, stating that, after further study, the relationship between Hepetitis B and missing women was not apparent. This concession, along with her audacity to challenge economic assumptions and her dozens of other influential papers, has earned her the respect of the global academic community.
She's also investigated the role of bad weather in the rise in witchcraft trials in Medieval Europe and what drives people to play the Powerball lottery. Her latest target: busting assumptions on HIV in Africa.
And she's an advice columnist too >>
Emily Oster | Speaker | TED.com