TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling predstavuje najlepšie štatistiky, aké ste kedy videli
Filmed:
Readability: 3.6
14,386,844 views
Ešte nikdy ste nevideli údaje prezentované takýmto spôsobom. S dramatickosťou a náhlivosťou športovej reportáže, guru štatistiky Hans Rosling odhaľuje pravú realitu mýtov o takzvaných "rozvojových krajinách".
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
Asi pred desiatimi rokmi som sa zhostil úlohy vyučovať svetový vývoj
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
švédskych vysokoškolákov. To bolo po tom, čo som strávil
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
asi 20 rokov v afrických inštitúciách zaoberajúc sa hladom v Afrike,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
a tak sa o mne predpokladalo, že viem trošku o svete.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Začal som na našej lekárskej univerzite, Karolinska Institute,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
vysokoškolský kurz nazvaný Svetové zdravie. Ale keď dostanete
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
takúto príležitosť, začnete byť trochu nervózny. Pomyslel som si, títo študenti,
00:53
coming to us actually have the highest grade you can get
7
28000
3000
ktorí k nám prichádzajú, majú vlastne najvyššie známky, aké môžete dostať
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
v systéme švédskeho školstva -- a tak oni už možno vedia všetko,
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
čo ich chcem učiť. A tak som spravil vstupný test.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
A jedna z otázok, z ktorej som sa veľa dozvedel, bola táto:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Ktorá krajina v týchto piatich párov má vyššiu detskú úmrtnosť?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
A dal som ich dokopy, tak aby v každom páre mala
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
jedna krajina dvojnásobnú detskú úmrtnosť ako tá druhá. To znamenalo
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
oveľa väčší rozdiel ako len neurčitosť dát.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Nejdem tento test robiť aj na vás, ale je to Turecko,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
čo je tu najvyššie, Poľsko, Rusko, Pakistan a Južná Afrika.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
A toto boli výsledky švédskych študentov. Získal som
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
pomerne úzky interval spoľahlivosti, čo ma samozrejme potešilo,
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
konkrétne 1,8 správnych odpovedí z piatich možných. To znamená, že
01:41
there was a place for a professor of international health --
20
76000
3000
tu bol priestor pre profesora medzinárodného zdravia --
01:44
(Laughter) and for my course.
21
79000
2000
(Smiech) a pre môj kurz.
01:46
But one late night, when I was compiling the report
22
81000
4000
Ale potom, neskoro v noci, keď som spisoval správu,
01:50
I really realized my discovery. I have shown
23
85000
4000
som si uvedomil skutočný dosah môjho objavu. Ukázal som,
01:54
that Swedish top students know statistically significantly less
24
89000
5000
že najlepší švédski študenti vedia štatisticky významne menej
01:59
about the world than the chimpanzees.
25
94000
2000
o svete ako šimpanzi.
02:01
(Laughter)
26
96000
2000
(Smiech)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Pretože šimpanzi by označili polovicu správne, ak by som im dal
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
dva banány ku Srí Lanke a Turecku. Mali by pravdu v polovici prípadov.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Ale študenti tam nie sú. Problém pre mňa nebola ignorácia:
02:14
it was preconceived ideas.
30
109000
3000
boli to predsudky.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Tiež som urobil neetickú štúdiu na profesoroch z Karoliska Institute
02:21
(Laughter)
32
116000
1000
(Smiech)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
-- ktorí odovzdávajú Nobelovu cenu medicíny,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
a oni sú na tom rovnako ako šimpanzi.
02:26
(Laughter)
35
121000
3000
(Smiech)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Vtedy som si uvedomil, že je tu naozaj potreba komunikácie,
02:33
because the data of what's happening in the world
37
128000
3000
pretože údaje o tom, čo sa vo svete deje
02:36
and the child health of every country is very well aware.
38
131000
3000
a o detskom zdraví v každej krajine sú veľmi dobre známe.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Vytvorili sme program, ktorý to zobrazuje takto: každá bublina je krajina.
02:44
This country over here is China. This is India.
40
139000
6000
Táto krajina tam hore je Čína. Toto je India.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Veľkosť bubliny je počet obyvateľov, a na túto os som položil pôrodnosť.
02:56
Because my students, what they said
42
151000
3000
Kvôli mojim študentom, kvôli tomu, čo hovorili,
02:59
when they looked upon the world, and I asked them,
43
154000
2000
keď sa pozerali na svet, som sa ich spýtal,
03:01
"What do you really think about the world?"
44
156000
2000
"Čo si skutočne myslíte o svete?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
No, zistil som, že študovali hlavne Tintina.
03:07
(Laughter)
46
162000
1000
(Smiech)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Povedali: "Svet je stále rozdelený na 'nás' a na 'ich'.
03:11
And we is Western world and them is Third World."
48
166000
3000
My sme západný svet, oni sú rozvojové krajiny."
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"Čo si predstavujete pod tým západným svetom?" spýtal som sa.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"No, to je dlhý život a malá rodina, tretí svet je krátky život a veľká rodina"
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Takže toto tu môžem zobraziť. Tu som dal pôrodnosť - počet detí na ženu -
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
jedno, dve, tri, štyri až osem detí na ženu.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Od roku 1962, asi od roku 1960, máme veľmi podrobné údaje o veľkosti rodín vo všetkých krajinách.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Štatistická odchýlka je malá. Potom tu ukazujem priemernú dĺžku života,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
od tridsiatich rokov v niektorých krajinách až po sedemdesiat.
03:45
And 1962, there was really a group of countries here
56
200000
3000
V roku 1962 tu máme skupinu krajín,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
industrializovaných krajín, v ktorých sú malé rodiny a dlhá doba života.
03:53
And these were the developing countries:
58
208000
2000
A tu tieto krajiny boli rozvojové:
03:55
they had large families and they had relatively short lives.
59
210000
3000
boli v nich veľké rodiny a žili relatívne krátke životy.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
No a čo sa stalo od roku 1962? Chceme vidieť tú zmenu.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Majú študenti pravdu? Existujú stále dva typy krajín?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Alebo sa v rozvojových krajinách zmenšili rodiny a žijú asi tu?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Možno, že žijú dlhšie a nachádzajú sa tu hore...
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Tak sa pozrime. Potom svet zastavíme. Toto všetko sú štatistiky OSN,
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
ktoré boli dostupné. Ideme na to. Vidíte?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
To je Čína, ktorá sa pohybuje k lepšej zdravotnej starostlivosti, zlepšuje sa.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Všetky zelené latinskoamerické krajiny smerujú k menším rodinám.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Tieto žlté sú arabské štáty,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
ktoré majú väčšie rodiny, ale - nie dlhší život, ale nie väčšie rodiny.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Afričania sú títo zelení dole. Stále tam zostávajú.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Tu máme Indiu. Indonézia so sebou celkom pohla.
04:36
(Laughter)
72
251000
1000
(Smiech)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
V osemdesiatych rokoch je Bangladéš stále medzi africkými štátmi.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Ale teraz, v osemdesiatych rokoch, sa v Bangladéši stal zázrak:
04:43
the imams start to promote family planning.
75
258000
3000
imámovia začali presadzovať plánované rodičovstvo.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Posúvajú sa tam do rohu. A v deväťdesiatych rokoch sa odohrala hrozná epidémia HIV,
04:51
that takes down the life expectancy of the African countries
77
266000
3000
ktorá stiahla dolu dĺžku života v afrických krajinách
04:54
and all the rest of them move up into the corner,
78
269000
4000
a všetky ostatné smerujú nahor do rohu,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
kde máme dlhé životy v malej rodine, a tak máme celkom nový svet.
05:02
(Applause)
80
277000
13000
(Potlesk)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Teraz priamo porovnám Spojené štáty americké a Vietnam.
05:20
1964: America had small families and long life;
82
295000
5000
V roku 1964 má Amerika malé rodiny a dlhú dobu života.
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Vietnam má veľké rodiny a krátke životy. A stane sa nasledujúce:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
údaje z obdobia vojny ukazujú na to, že aj napriek všetkému zabíjaniu
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
prišlo k zvýšeniu priemernej dĺžky života. Ku koncu roka
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
bol vo Vietnamu zahájený program plánovaného rodičovstva a rodiny sa zmenšili.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Spojené štáty tam hore sa prepracovávajú k dlhšiemu životu
05:44
keeping family size. And in the '80s now,
88
319000
3000
a zachovávajú si rovnako veľké rodiny. V osemdesiatych rokoch
05:47
they give up communist planning and they go for market economy,
89
322000
3000
opúšťa Vietnam komunistické plánovanie a volí trhovú ekonomiku,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
čo vedie aj k rastu úrovne spoločenského života. Dnes máme
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
vo Vietname rovnakú priemernú dĺžku života a rovnako veľké rodiny,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
vo Vietname v roku 2003 ako v USA v roku 1974, ku koncu vojny.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Myslím, že všetci, pokiaľ nevenujeme pozornosť týmto údajom,
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
podceňujeme nesmierne zmeny v Ázii, ktoré spočívali
06:14
in social change before we saw the economical change.
95
349000
4000
najskôr v zmenách spoločenských a až potom v ekonomických.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Pozrime sa teraz na iný graf, na ktorom môžeme ukázať
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
rozloženie príjmov. Toto je rozsah ľudských príjmov na celom svete.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Jeden dolár, desať dolárov alebo sto dolárov za deň.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Medzi bohatými a chudobnými neexistuje žiadna priepasť. To je mýtus.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Je tu síce menší hrb, ale inak sú ľudia rozložení po celej osi.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Keď sa pozrieme, v akých rukách tieto peniaze končia -
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
toto je sto percent ročného svetového príjmu - a najbohatších dvadsať percent
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
zarába 74 percent tejto sumy. A najchudobnejších dvadsať percent
07:01
they take about two percent. And this shows that the concept
104
396000
5000
má pre seba asi dve percentá. To ukazuje, že koncept
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
"rozvojových krajín" je veľmi pochybný. Premýšľame o medzinárodnej pomoci ako o
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
pomoci týchto ľuďom týmto. Ale uprostred
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
máme väčšinu svetovej populácie, ktorá zarába 24 percent celkového svetového príjmu.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Už sme o tom počuli. A kto vlastne sú títo ľudia z tohto grafu?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Kde sú všetky rôzne krajiny? Môžem vám ukázať Afriku.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Toto je Afrika. Desať percent svetovej populácie, prevažne žijúca v chudobe.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Toto je OECD. Bohaté krajiny. Výberový klub OSN.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
A tí sú tu na tejto strane. Afrika a OECD sa na jednom mieste celkom prekrývajú.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Toto je Latinská Amerika. Je v nich zastúpené všetko na svete,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
od najchudobnejších až po tých najbohatších.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Na to všetko môžeme položiť východnú Európu, východnú Áziu
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
a južnú Áziu. A ako by to vyzeralo, keby sme sa posunuli späť v čase,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
do doby okolo roku 1970? Vtedy bol ten hrb väčší.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
A väčšina ľudí žijúcich v úplnej chudobe boli Ázijci.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Svetovým problémom bola chudoba v Ázii. A keď teraz nechám svet bežať ďalej v čase,
08:14
you will see that while population increase, there are
120
469000
3000
uvidíte, že zatiaľ čo populácia rastie,
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
stovky miliónov ľudí v Ázii sa dostávajú z chudoby a niektorí iní
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
do nej upadajú a toto je rozloženie, ktoré máme dnes.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Najoptimistickejšia predpoveď Svetovej banky hovorí, že sa stane toto
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
a už nebudeme mať rozdelený svet. Väčšina ľudí bude tu uprostred.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Je to samozrejme logaritmická stupnica,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
ale my vnímame ekonómiu ako percentuálne rastúcu a považujeme
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
za možný rast percentilu. Pokiaľ toto zmením, namiesto
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
rodinného príjmu zadám HDP na obyvateľa a zmením
08:48
individual data into regional data of gross domestic product,
129
503000
6000
tieto individuálne údaje na miestne dáta o hrubom domácom produkte,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
pričom tie regióny umiestnim tu dolu - veľkosť bubliny stále zodpovedá počtu obyvateľov.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Takže tu máme OECD, tu subsaharskú Afriku,
09:01
and we take off the Arab states there,
132
516000
3000
tiež oddelíme arabské štáty,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
ako z Afriky, tak aj z Ázie, a umiestime ich zvlášť,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
a teraz rozšírime túto os, môžem jej pridať ďalšiu dimenziu,
09:13
by adding the social values there, child survival.
135
528000
3000
pridaním spoločenských hodnôt, prežitie detí.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Na tejto osi máme teda HDP a na tejto pravdepodobnosť prežitia detí.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
V niektorých krajinách sa piatich rokov dožije 99,7 percenta detí,
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
v iných len 70. Tu to už vyzerá, že existuje medzera
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
medzi OECD a Latinskou Amerikou, východnou Európou, východnou Áziou,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
arabskými štátmi, južnou Áziou a subsaharskou Afrikou.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Vzťah medzi detskou úmrtnosťou a bohatstvom je veľmi lineárny.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Ale teraz subsaharskú Afriku rozdelím. Tu je znázornené zdravie, tu je lepšie zdravie.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Môžem takto rozdeliť subsaharskú Afriku na jednotlivé štáty.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Keď sa rozdelí, veľkosť bublín jednotlivých krajín zodpovedá ich populácii.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Tu dole je Sierra Leone. Maurícius je hore. Maurícius bol prvou krajinou,
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
ktorá sa zbavila obchodných bariér a mohla predávať svoj cukor.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Mohli predávať svoje látky za rovnakých podmienok ako ľudia z Európy a Severnej Ameriky.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
V rámci Afriky sú obrovské rozdiely. A Ghana je tu uprostred.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
V Sierra Leone prebieha humanitárna pomoc.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Tu v Ugande pomoc rozvojová. Tu je čas investovať, tu
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
môžete ísť na dovolenku. Naozaj je tu veľká variabilita,
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
v rámci Afriky, ktorú si len zriedka uvedomujeme - väčšinou ju považujeme za rovnorodú.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Môžem teraz rozdeliť južnú Áziu. India je tá veľká bublina uprostred.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Všimnite si ale veľký rozdiel medzi Afganistanom a Srí Lankou.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Rozdelíme arabské štáty. Ako sú na tom oni? Rovnaké podnebie, rovnaká kultúra,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
rovnaké náboženstvo. Obrovské rozdiely aj medzi susedmi.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Jemen - občianska vojna. Spojené arabské emiráty - financie, ktoré boli použité rovnomerne a správne.
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
Takže nie tak, ako tvrdí mýtus. A to sú v grafe zahrnuté aj deti zahraničných pracovníkov, ktorí sa v danej krajine nachádzajú.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Údaje bývajú omnoho lepšie, ako si myslíte. Mnoho ľudí ich považuje za nespoľahlivé.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Existuje určitá štatistická odchýlka, ale môžeme vidieť, že rozdiel
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
medzi Kambodžou a Singapúrom je oveľa väčší,
11:11
than the weakness of the data. East Europe:
162
646000
3000
ako môže byť nepresnosť údajov. Východná Európa:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
Dlhú dobu tu fungoval sovietsky ekonomický model, ale po desiatich rokoch vypadá
11:20
very, very differently. And there is Latin America.
164
655000
3000
veľmi, veľmi rôznorodo. A potom je tu Latinská Amerika.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Dnes už nemusíme ísť len na Kubu, aby sme v Latinskej Amerike našli krajinu s dobrým zdravotníctvom.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Chile bude mať za niekoľko rokov nižšiu úmrtnosť ako Kuba.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
A tu máme bohaté krajiny OECD.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Dostali sme tým pádom mozaiku celého sveta,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
ktorá vyzerá viacmenej takto. A keď sa na ňu pozrieme,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
ako vyzerá - v roku 1960, začne sa pohybovať. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Toto je Mao Ce-Tung. Priniesol do Číny zdravie. Potom zomrel.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Prišiel Teng Siao-pching a doniesol do Číny peniaze, vďaka ktorým sa vrátila späť medzi ostatné krajiny.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Videli sme, ako sa krajiny pohybujú rôznymi smermi,
12:02
so it's sort of difficult to get
174
697000
4000
takže je pomerne zložité nájsť
12:06
an example country which shows the pattern of the world.
175
701000
5000
štát, ktorý by ilustroval vývoj celého sveta.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Rád by som sa teraz vrátil späť do roku 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Porovnám Južnú Kóreu, tá je tu, s Brazíliou,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
ktorá je tu. Teraz mi zmizli popisky. A teraz porovnám Ugandu,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
tá je tu. Teraz nechám bežať čas.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Môžete si všimnúť, že Južná Kórea sa veľmi, veľmi rýchlo zlepšuje,
12:46
whereas Brazil is much slower.
181
741000
3000
zatiaľ čo Brazília je omnoho pomalšia.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Keď sa znovu vrátime späť a necháme ich robiť stopy,
12:55
you can see again that the speed of development
183
750000
4000
uvidíme, že rýchlosť vývoja
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
sa naozaj líši a že sa krajiny pohybujú viacmenej
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
rovnako, ale zdá sa, že sa zlepšíte
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
oveľa rýchlejšie, keď ste najprv zdraví, ako keď sa najprv bohatí.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Aby som to na niečom ukázal, zvýrazním cestu Spojených arabských emirátov.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Začali tu - zem nerastného bohatstva. Speňažili všetku ropu,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
získali dostatok peňazí, ale zdravie si nekúpite v obchode.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Do zdravia sa musí investovať. Musíte dostať deti do škôl,
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
pripravovať zdravotníkov, vzdelať celú populáciu.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
A to šejk Sayid zvládol celkom dobre.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Napriek klesajúcim cenám ropy svoju krajinu dostal až sem.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Dostali sme teda omnoho rovnomernejší obraz sveta,
13:43
where all countries tend to use their money
195
798000
2000
v ktorom sa všetky krajiny snažia utrácať svoje peniaze
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
lepšie, než v minulosti. Teda, zhruba to platí,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
keď berieme do úvahy priemerné údaje v týchto krajinách. Vyzerajú takto.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Používať priemerné údaje je ale nebezpečné, pretože
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
v rámci jednotlivých krajín existujú veľké rozdiely. Keď sa pozrieme sem, uvidíme,
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
že Uganda je dnes tam, kde bola Južná Kórea v roku 1960. Pokiaľ Ugandu rozdelím,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
uvidíme, že vôbec nie je jednoliata. Toto sú kvintily Ugandy.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Najbohatších 20% Uganďanov je tu.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Najchudobnejší sú tu dole. Pokiaľ rozdelím Juhoafrickú republiku, bude to vyzerať takto.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Nakoniec sa pozrime na Niger, v ktorom bol hrozný hladomor,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
dopadlo to takto. Najchudobnejších dvadsať percent Nigerčanov je tu,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
najbohatších dvadsať percent Juhoafričanov tu,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
a napriek tomu tak často diskutujeme o tom, ako vyriešiť situáciu v Afrike.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
V Afrike môžeme nájsť niečo zo všetkého na svete. A nemôžeme
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
pre zaistenie všeobecnej dostupnosti liekov proti HIV pre tento horný kvintil
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
použiť rovnakú stratégiu ako pre tých najchudobnejších. Vývoj sveta
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
sa musí uvádzať v presnom kontexte, nie je spoľahlivé ho poznať len
15:00
on regional level. We must be much more detailed.
212
875000
3000
na regionálnej úrovni. Je potrebné ísť do väčších detailov.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Zistili sme, že študenti sú nadšení, keď môžu tieto poznatky použiť.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
A zákonodarcovia a súkromný sektor by tiež veľmi radi sledovali,
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
ako sa svet mení. Prečo tomu teda tak nie je?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Prečo nevyužívame údaje, ktoré máme k dispozícii? Máme údaje z OSN,
15:20
in the national statistical agencies
217
895000
2000
z národných štatistických úradov,
15:22
and in universities and other non-governmental organizations.
218
897000
4000
z univerzít a z mimovládnych organizácií.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Bohužiaľ sú všetky schované hlboko v databázach
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
a stále ich využívame neefektívne. Znázorníme si tu verejnosť a Internet.
15:33
All that information we saw changing in the world
221
908000
3000
Žiadne z údajov o svete, ktoré sme tu videli meniť sa,
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
nepochádzali zo štatistík financovaných z verejných zdrojov. Existujú nejaké internetové stránky,
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
ktoré také údaje obsahujú, ktoré čerpajú informácie z týchto databáz,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
ale ľudia na ne lepia cenovky, hlúpe heslá a nudné štatistiky.
15:51
(Laughter) (Applause)
225
926000
3000
(Smiech) (Potlesk)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
A toto nebude fungovať. Čo je teda potrebné? Databázy máme.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Nie sú to nové databázy, čo potrebujeme. Máme úžasné návrhárske nástroje
16:02
and more and more are added up here. So we started
228
937000
3000
a neustále sú vyvíjané nové. Založili sme teda
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
neziskový podnik, ktorý spája dáta a dizajn,
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
a nazvali sme ho Gapminder, podľa londýnskeho metra, kde vás varujú,
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
aby ste "dali pozor na medzeru" (Mind the gap). Takže sme GapMinder považovali za vhodné.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Začali sme písať program, ktorý by mohol údaje spájať týmto spôsobom.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Nebolo to také ťažké - za pár človekorokov sme vytvorili animácie.
16:26
You can take a data set and put it there.
234
961000
2000
Môžete vziať sadu údajov a vložiť ich tam.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Uvoľňujeme údaje OSN, z niektorých jej organizácií.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Niektoré krajiny súhlasia s uverejnením svojich databáz,
16:37
but what we really need is, of course, a search function.
237
972000
3000
ale v skutočnosti potrebujeme pochopiteľne hlavne vyhľadávaciu funkciu.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Vyhľadávaciu funkciu, pomocou ktorej môžeme údaje previesť do vyhľadávateľného formátu
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
a dostať ich do sveta. A čo nám na to hovoria ostatní?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Urobil som si malý prieskum medzi hlavnými štatistickými databázami. Každý hovorí:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"Je to nemožné. Toto sa nedá urobiť. Naše informácie sú tak špecifické
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
v mnohých detailoch, že nemôžu byť vyhľadávané rovnakým spôsobom ako ostatné.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Nemôžeme ich zadarmo uvoľniť pre študentov ani pre podnikateľov na celom svete."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Ale presne toto by sme chceli, alebo nie?
17:08
The publicly-funded data is down here.
245
1003000
3000
Údaje získané za verejné peniaze sú tu dole,
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
a chceli by sme, aby z Internetu vyrástli tieto kvety.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Jeden z kľúčových bodov je potom umožniť vyhľadávanie v údajov, potom budú ľudia môcť použiť
17:19
the different design tool to animate it there.
248
1014000
2000
nejaký iný dizajnový nástroj na ich animáciu.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
A mám pre vás celkom dobré správy. Súčasný
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
šéf Štatistickej divízie OSN nehovorí, že je to nemožné.
17:30
He only says, "We can't do it."
251
1025000
2000
Hovorí len: "To nemôžeme urobiť."
17:32
(Laughter)
252
1027000
4000
(Smiech)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
A to je celkom šikovný chlap, hm?
17:38
(Laughter)
254
1033000
2000
(Smiech)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Takže vidíme, že v oblasti údajov sa toho v nasledujúcich rokoch bude diať veľa.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Budeme sa môcť pozrieť na rozdelenie príjmov úplne novými spôsobmi.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Toto je distribúcia príjmov v Číne v roku 1970,
17:54
the income distribution of the United States, 1970.
258
1049000
5000
toto distribúcia príjmov v Spojených štátoch v roku 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Takmer žiadne prekrytie. Takmer žiadne prekrytie. A čo sa stalo potom?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Stalo sa toto: Čína rastie, už nie je tak rovnomerná,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
a objavuje sa tu, odkiaľ sa pozerá na USA.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Skoro ako duch, však?
18:14
(Laughter)
263
1069000
2000
(Smiech)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Dosť strašidelné. Ale myslím si, že je veľmi dôležité mať k dispozícii všetky tieto informácie.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Potrebujeme ich poznať. A namiesto sledovania týchto údajov
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
by som chcel skončiť predvedením počtu užívateľov Internetu na 1000 obyvateľov.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
V tomto softvéri máme ľahký prístup k asi piatim stovkám premenných zo všetkých krajín.
18:42
It takes some time to change for this,
268
1097000
4000
Chvíľku potrvá, kým to všetko zmením,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
ale na osiach si ľahko nastavíte akúkoľvek premennú budete chcieť.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
A teraz len sprístupníme zdarma všetky databázy,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
umožniť v nich vyhľadávanie a ďalším kliknutím ich previesť
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
do grafického formátu, v ktorom im okamžite porozumiete.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Štatistici to síce nemajú radi, hovorievajú, že to potom
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
nezobrazuje realitu a že musíme používať štatistické, analytické metódy.
19:16
But this is hypothesis-generating.
275
1131000
3000
Ale toto je generovanie hypotéz.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Skončím pohľadom na svet. Internet práve prichádza.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Počet užívateľov Internetu stúpa. Toto je HDP na obyvateľa.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Je to nová technológia, ale prekvapivo dobre zapadá
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
do ekonomík jednotlivých krajín. Preto je tak dôležitý
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
počítač za sto dolárov. Ale tendencia je to pekná.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Akoby sa svet splošťoval, však? Tieto krajiny
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
sa dvíhajú nielen ekonomicky a bude veľmi zaujímavé
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
to cez rok sledovať, čo snáď budete môcť robiť
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
s pomocou všetkých tých verejných údajov. Veľmi pekne ďakujem.
19:53
(Applause)
285
1168000
3000
(Potlesk)
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