TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling visar den bästa statistiken du någonsin sett
Filmed:
Readability: 3.6
14,386,844 views
Statistik har aldrig tidigare presenterats på det här sättet. Med en sportkommentators inlevelse och intensitet spräcker statistikgurun Hans Rosling myter om de så kallade "utvecklingsländerna".
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
För ungefär tio år sedan tog jag mig an uppgiften att undervisa i global utveckling
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
för svenska högskolestudenter på grundnivå. Det var efter att jag tillbringat
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
ungefär 20 år med att studera hunger i Afrika tillsammans med afrikanska institutioner,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
så jag förväntades liksom veta lite grann om världen.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Vid vårt medicinska universitet, Karolinska Institutet,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
startade jag därför en kurs vid namn Global Hälsa. Men när man ges
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
en sådan möjlighet blir man också lite nervös. Jag tänkte,
00:53
coming to us actually have the highest grade you can get
7
28000
3000
"dessa studenter har de högsta betyg man kan få
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
i det svenska högskolesystemet" - så de kanske redan vet allt
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
jag tänkt lära ut till dem. Så jag gjorde ett snabbt test när de kom.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
En av frågorna jag lärde mig mycket av var den här:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Vilket land har den högsta barnadödligheten i dessa fem par?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Och jag satte ihop dem, så att det i varje landspar fanns
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
ett land med dubbelt så hög dödlighet som i det andra. Med andra ord
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
är skillnaden betydligt större än den statistiska osäkerheten.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Jag ska inte testa er här, men först är det Turkiet
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
som är högst, Polen, Ryssland, Pakistan och Sydafrika.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Och så här blev resultaten för de svenska studenterna. Jag räknade ut
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
konfidensintervallet, som är ganska smalt, och blev förstås glad:
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1,8 rätt av fem möjliga. Det betyder att
01:41
there was a place for a professor of international health --
20
76000
3000
det fanns en plats för en professor i internationell hälsa
01:44
(Laughter) and for my course.
21
79000
2000
(Skratt) och för min kurs.
01:46
But one late night, when I was compiling the report
22
81000
4000
Men det var först en sen kväll, när jag höll på att sammanställa rapporten,
01:50
I really realized my discovery. I have shown
23
85000
4000
som jag verkligen insåg min upptäckt. Jag har visat att
01:54
that Swedish top students know statistically significantly less
24
89000
5000
svenska toppstudenter vet statistiskt avsevärt mindre
01:59
about the world than the chimpanzees.
25
94000
2000
om omvärlden än vad schimpanser gör.
02:01
(Laughter)
26
96000
2000
(Skratt)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
En schimpans skulle svara hälften rätt om jag gav den
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
två bananer med Sri Lanka och Turkiet. I hälften av fallen skulle den ha rätt.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Men studenterna är inte där. Problemet för mig var inte okunskap,
02:14
it was preconceived ideas.
30
109000
3000
det var förutfattade meningar.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Jag gjorde också en oetisk studie av professorerna vid Karolinska Institutet
02:21
(Laughter)
32
116000
1000
(Skratt)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
-- som delar ut Nobelpriset i medicin,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
och de ligger ungefär lika med schimpanserna som ni ser.
02:26
(Laughter)
35
121000
3000
(Skratt)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Det var här jag insåg att det verkligen fanns ett behov av att kommunicera,
02:33
because the data of what's happening in the world
37
128000
3000
eftersom uppgifterna kring vad som händer i världen
02:36
and the child health of every country is very well aware.
38
131000
3000
och barns hälsa i alla länder är väl kända.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Vi gjorde ett program som visar det så här: varje bubbla är ett land.
02:44
This country over here is China. This is India.
40
139000
6000
Landet här borta är Kina. Det här är Indien.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Bubblans storlek motsvarar befolkningsmängden, och på den här axeln har vi födelsetalen.
02:56
Because my students, what they said
42
151000
3000
På grund av vad mina studenter sa
02:59
when they looked upon the world, and I asked them,
43
154000
2000
när de tittade på världen och jag frågade:
03:01
"What do you really think about the world?"
44
156000
2000
"Vad tycker ni egentligen om världen?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Först upptäckte jag att kursboken i huvudsak var Tintin.
03:07
(Laughter)
46
162000
1000
(Skratt)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Men de sa: "Världen är fortfarande 'vi' och 'dem'".
03:11
And we is Western world and them is Third World."
48
166000
3000
Och med "vi" menar vi västvärlden och "dem" är tredje världen.
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"Och vad menar ni med västvärlden?" sa jag.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Tja, lång livslängd och små familjer. I tredje världen kort livslängd och stora familjer."
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Detta skulle jag kunna visa här. Här satte jag födelsetal i antal barn per kvinna:
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
ett, två, tre, fyra -- upp till ungefär åtta barn per kvinna.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Vi har mycket bra uppgifter från cirka 1960-1962 om familjestorleken i alla länder.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Felmarginalen är liten. Här satte jag förväntad livslängd vid födseln,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
från 30 år i vissa länder upp till ungefär 70 år.
03:45
And 1962, there was really a group of countries here
56
200000
3000
År 1962 fanns det faktiskt en grupp länder här,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
industrialiserade länder med små familjer och lång livslängd.
03:53
And these were the developing countries:
58
208000
2000
Det här var utvecklingsländerna:
03:55
they had large families and they had relatively short lives.
59
210000
3000
de hade stora familjer och levde relativt korta liv.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Så vad har hänt sedan 1962? Vi vill se förändringen.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Har studenterna rätt? Är det fortfarande två typer av länder,
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
eller har dessa utvecklingsländer mindre familjer och befinner sig här?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Eller har livslängden ökat och de befinner sig här?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Låt oss prova. Vi stannade världen där. Det här är all FN-statistik
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
som finns tillgänglig. Nu kör vi. Kan ni se här?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Här har vi Kina, som förbättras och rör sig mot bättre hälsa.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Alla de gröna latinamerikanska länderna rör sig mot mindre familjer.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
De gula här är de arabiska länderna,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
de får större familjer, men, nej, längre livslängd, inte större familjer.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
De afrikanska är de gröna här nere. De är fortfarande kvar här.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Det här är Indien. Indonesien rör sig ganska fort.
04:36
(Laughter)
72
251000
1000
(Skratt)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
I början av åttiotalet låg Bangladesh kvar bland de afrikanska länderna där,
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
men nu, titta på Bangladesh, det sker ett mirakel under åttiotalet:
04:43
the imams start to promote family planning.
75
258000
3000
imamerna börjar förespråka familjeplanering.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
De rör sig upp mot det där hörnet. På nittiotalet har vi den hemska HIV-epidemin
04:51
that takes down the life expectancy of the African countries
77
266000
3000
som för ned den förväntade livslängden i de afrikanska länderna
04:54
and all the rest of them move up into the corner,
78
269000
4000
medan resten fortsätter upp i hörnet,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
där vi har lång livslängd och små familjer, och vi har fått en helt ny världsbild.
05:02
(Applause)
80
277000
13000
(Applåder)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Låt mig göra en direkt jämförelse mellan USA och Vietnam.
05:20
1964: America had small families and long life;
82
295000
5000
1964: USA hade små familjer och lång livslängd;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Vietnam stora familjer och kort livslängd. Det här är vad som händer.
05:29
the data during the war indicate that even with all the death,
84
304000
6000
Uppgifterna under kriget pekar på att trots alla dödsoffer
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
förbättrades den förväntade livslängden. I slutet på året
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
inleddes familjeplanering i Vietnam och de riktade in sig mot mindre familjer.
05:41
And the United States up there is getting for longer life,
87
316000
3000
USA är där uppe, på väg mot längre livslängd
05:44
keeping family size. And in the '80s now,
88
319000
3000
med bevarad familjestorlek. Nu, på åttiotalet,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
ger de upp kommunistisk planering och satsar på marknadsekonomi,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
vilket t.o.m. sker snabbare än den sociala utvecklingen. Och idag har vi
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
samma förväntade livslängd och samma familjestorlek
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
här i Vietnam, år 2003, som i USA år 1974, i slutet av kriget.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Jag tror att vi alla, om vi inte tittar på dessa data,
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
underskattar den otroliga förändring i Asien, som först skedde
06:14
in social change before we saw the economical change.
95
349000
4000
genom sociala förändringar innan vi såg den ekonomiska förändringen.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Låt oss gå vidare till en annan metod där vi kan visa
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
fördelningen av inkomst i världen. Det här är den globala inkomstfördelningen.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
En dollar, tio dollar eller 100 dollar per dag.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Det finns inget gap mellan rik och fattig längre. Det är en myt.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Vi har en liten puckel här, men det finns människor längs hela vägen.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Tittar vi på vad inkomsten hamnar:
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
det här är 100 % av världens årliga inkomst. De rikaste 20 %
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
tar ungefär 74 % av denna. De fattigaste 20 %
07:01
they take about two percent. And this shows that the concept
104
396000
5000
tar ungefär 2 %. Det här visar att konceptet med
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
utvecklingsländer är extremt tveksamt. Vi tänker på bistånd som att
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
människorna här hjälper människorna här. Men i mitten,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
där vi har den största delen av världens befolkning, där finns nu 24 % av inkomsten.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Vi har hört det i andra former. Vilka är dessa?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Var är de olika länderna? Jag kan visa er Afrika.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Det här är Afrika. 10 % av världens befolkning, de flesta lever i fattigdom.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Det här är OECD, de rika länderna. FN:s finrum.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
De är här borta på den här sidan. En tydlig överlappning mellan Afrika och OECD.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Det här är Latinamerika. Här finns allt på denna jord,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
från de fattigaste till de rikaste.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Ovanpå det kan vi lägga Östeuropa, Östasien
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
och Sydasien. Hur såg det ut om vi går bakåt i tiden,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
till ungefär 1970? Då hade vi en större puckel,
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
och de flesta som levde under fattigdomsgränsen var asiater.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Problemet i världen var fattigdomen i Asien. Om jag nu låter världen gå framåt,
08:14
you will see that while population increase, there are
120
469000
3000
ser ni att medan befolkningsmängden ökar är det
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
hundratals miljoner i Asien som bryter sig ut ur fattigdomen, och vissa andra
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
som blir fattiga, och detta är det mönster vi har idag.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Den bästa projekteringen från Världsbanken är att detta kommer att hända,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
så att vi inte längre kommer att ha en delad värld. Vi kommer att ha flest människor i mitten.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Detta är förstås en logaritmisk skala,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
men vårt ekonomiska koncept är tillväxt i procent. Vi betraktar det
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
som en möjlighet till procentuell ökning. Om jag ändrar här, och väljer
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
BNP per capita istället för familjeinkomst, och jag förvandlar dessa
08:48
individual data into regional data of gross domestic product,
129
503000
6000
individuella uppgifter om bruttonationalprodukt till regionala,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
och jag flyttar regionerna hit ned. Bubblans storlek är fortfarande befolkningen.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Ni har OECD-länderna här, subsahariska Afrika där,
09:01
and we take off the Arab states there,
132
516000
3000
och vi plockar bort Arabstaterna där,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
som kommer både från Afrika och från Asien, och vi separerar dem,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
så kan vi utöka den här axeln, och jag kan ge det en ny dimension här
09:13
by adding the social values there, child survival.
135
528000
3000
genom att lägga till sociala värden här, barns överlevnad.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Nu har jag pengar på den här axeln, och möjligheten till barns överlevnad där.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
I vissa länder överlever 99,7 % av alla barn till fem års ålder;
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
i andra, bara 70 %. Och här verkar det finnas ett gap
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
mellan OECD, Latinamerika, Östeuropa, Östasien,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
Arabstaterna, Sydasien och subsahariska Afrika.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Linjäriteten mellan barns överlevnad och pengar är väldigt stark.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Men låt mig dela upp subsahariska Afrika. Vi har bättre hälsa högre upp.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Jag kan gå hit och dela upp subsahariska Afrika i dess länder.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
När den delas motsvaras varje lands bubbla av dess befolkningsmängd.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Sierra Leone här nere, Mauritius där uppe. Mauritius var det första landet
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
som slopade handelsbarriärer, och därmed kunde de sälja sitt socker.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
De kunde sälja sina textilier på samma villkor som människorna i Europa och Nordamerika.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Vi har enorma skillnader i Afrika. Ghana ligger här i mitten.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
I Sierra Leone, humanitärt bistånd.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Här i Uganda, utvecklingsbistånd. Här är det läge att investera.
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
Dit kan man åka på semester. Det är otroliga variationer
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
inom Afrika som vi alltför ofta generaliserar bort.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Jag kan dela upp Sydasien här. Den stora bubblan i mitten är Indien.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Men det är en enorm skillnad mellan Afghanistan och Sri Lanka.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Jag kan dela upp Arabstaterna, hur är det med dem? Samma klimat, samma kultur,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
samma religion. Enorm skillnad, även mellan grannländer.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Jemen, inbördeskrig. Förenade Arabemiraten, pengar som användes väl och ganska jämlikt.
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
Inte som i myten. Och det inkluderar alla barn till utländska arbetare i landet.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Statistik är ofta bättre än man tror. Många säger att statistik är dåligt,
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
att vi har en osäkerhetsmarginal, men vi kan se skillnaden här:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Kambodja, Singapore. Skillnaderna är mycket större
11:11
than the weakness of the data. East Europe:
162
646000
3000
än den statistiska osäkerheten. Östeuropa:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
den sovjetiska ekonomin under lång tid, men efter tio år ser det
11:20
very, very differently. And there is Latin America.
164
655000
3000
väldigt annorlunda ut. Och där är Latinamerika.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Idag behöver vi inte åka till Kuba för att hitta ett välmående land i Latinamerika.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Om några år kommer Chile att ha en lägre barnadödlighet än Kuba.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Och här har vi höginkomstländerna i OECD.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Vi har ett världsmönster som mer eller mindre
11:39
which is more or less like this. And if we look at it,
169
674000
5000
ser ut så här. Om vi tittar på hur världen
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
ser ut -- det börjar röra sig år 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Här är Mao Zedong. Han förde med sig hälsa till Kina. Sedan dog han.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Därefter kom Deng Xiaoping och förde med sig pengar, och tog tillbaka Kina in i huvudfåran.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Och vi har sett hur länder rör sig i olika riktningar på det här sättet,
12:02
so it's sort of difficult to get
174
697000
4000
så det är ganska svårt att hitta
12:06
an example country which shows the pattern of the world.
175
701000
5000
ett exempelland som visar det globala mönstret.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Jag skulle vilja ta er tillbaka hit, till 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Jag skulle vilja jämföra Sydkorea, som är den här, med Brasilien,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
som är den här. Etiketten försvann för mig där. Och så vill jag jämföra med Uganda,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
som är där. Vi kör framåt, så här.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Ni kan se hur Sydkorea avancerar väldigt, väldigt fort
12:46
whereas Brazil is much slower.
181
741000
3000
medan Brasilien är mycket långsammare.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Och om vi går tillbaka igen, hit, och lägger till spår på dem, så här,
12:55
you can see again that the speed of development
183
750000
4000
så kan vi återigen se att utvecklingstakterna
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
är väldigt olika och att länderna mer eller mindre rör sig
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
i samma takt som pengar och hälsa, men det verkar som att man kan gå framåt
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
betydligt snabbare om man har hälsan först än om man är rik först.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
För att illustrera det kan man titta på Förenade Arabemiratens väg.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
De kom härifrån, ett mineralrikt land. De utvann all olja,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
de fick alla pengar, men hälsa kan inte köpas på snabbköpet.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Man måste investera i hälsa. Man måste låta barn gå i skolan.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Man måste utbilda vårdpersonal. Man måste utbilda befolkningen.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Schejk Zayed lyckades ganska bra med det,
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
och förde sitt land upp hit trots fallande oljepriser.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Vi har alltså en mycket mer integrerad värld,
13:43
where all countries tend to use their money
195
798000
2000
där alla länder tycks använda sina pengar
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
bättre än vad de gjorde förr. Vi kan mer eller mindre se detta
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
om vi tittar på ländernas genomsnittsdata. De ser ut så här.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Det finns en fara med att använda snittdata, eftersom det är så pass
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
stor variation inom länderna. Så om jag går hit kan vi se
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
att Uganda idag är där Sydkorea låg 1960. Om jag delar upp Uganda,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
har vi en ganska stor skillnad inom landet. Det här är Uganda i kvintiler.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
De rikaste 20 % av ugandierna är där.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
De fattigaste är där nere. Om jag delar upp Sydafrika ser det ut så här.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Slutligen, om jag går ned och tittar på Niger, där det rådde fruktansvärd svält,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
ser det ut så här. De fattigaste 20 % i Niger är här ute
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
och de rikaste 20 % i Sydafrika är där,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
och ändå diskuterar vi vilka lösningar som finns för Afrika.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Hela världen finns i Afrika. Man kan inte
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
diskutera universell tillgång till HIV-mediciner för kvintilen här uppe
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
med samma strategi som här nere. Hur världen ska förbättras
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
måste sättas i sitt sammanhang, och det är inte relevant
15:00
on regional level. We must be much more detailed.
212
875000
3000
på regional nivå. Vi måste vara mycket mer specifika än så.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Vi har upptäckt att studenter blir väldigt engagerade av att kunna använda det här.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Fler beslutsfattare och företagssektorer vill se
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
hur världen förändras. Så varför sker inte detta?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Varför använder vi inte den data vi har? Vi har statistik inom FN,
15:20
in the national statistical agencies
217
895000
2000
på nationella statistiska centralbyråer,
15:22
and in universities and other non-governmental organizations.
218
897000
4000
på universitet och inom andra icke-statliga organisationer.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Jo, därför att uppgifterna ligger dolda nere i databaser.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
Allmänheten finns där och Internet finns där, men fortfarande används de inte effektivt.
15:33
All that information we saw changing in the world
221
908000
3000
All den information vi såg förändras i världen
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
omfattar inte statligt finansierad statistik. Det finns vissa hemsidor
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
som tar näring nere från databaserna,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
men folk sätter pris på dem -- dumma lösenord och tråkiga siffror.
15:51
(Laughter) (Applause)
225
926000
3000
(Skratt) (Applåder)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Det fungerar inte. Så vad behövs? Vi har databaserna.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Det är inte en ny databas vi behöver. Vi har fantastiska designverktyg,
16:02
and more and more are added up here. So we started
228
937000
3000
och mer och mer läggs till här uppe. Så vi startade
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
ett ideellt projekt för att koppla ihop statistik och design
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
som vi kallar Gapminder, taget från Londons tunnelbana där de varnar en:
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
"mind the gap". Så vi tyckte att Gapminder var lämpligt.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Vi började skriva program som kunde koppla ihop statistiken på det här sättet.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Det var inte svårt. På några manår har vi skapat animationer.
16:26
You can take a data set and put it there.
234
961000
2000
Vi kan ta en datamängd och lägga den där.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Vi frigör uppgifterna från FN, några av dess organisationer.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Vissa länder accepterar att deras databaser sprids över världen,
16:37
but what we really need is, of course, a search function.
237
972000
3000
men vad vi verkligen behöver är förstås en sökfunktion.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
En sökmotor dit vi kan kopiera statistiken i ett sökbart format
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
och få ut den i världen. Och vad får vi höra?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Jag har gjort antropologiska undersökningar på de största statistikinstanserna. Alla säger:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"Det är omöjligt. Det kan inte genomföras. Vår information är så specifik
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
att den inte går att söka igenom på samma sätt som andra data.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Vi kan inte låta studenterna gratis ta del av dessa data, fritt till världens entreprenörer."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Men det är vad vi skulle vilja se, inte sant?
17:08
The publicly-funded data is down here.
245
1003000
3000
Den statligt finansierade statistiken är här nere.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
Vi vill låta blommorna växa ut på nätet.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
En av de avgörande punkterna är att göra dem sökbara, så att folk kan använda
17:19
the different design tool to animate it there.
248
1014000
2000
de olika designverktygen och animera dem.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Men jag har ganska goda nyheter till er. Den goda nyheten är att den nya,
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
nuvarande chefen för FN:s statistik, säger inte att det är omöjligt.
17:30
He only says, "We can't do it."
251
1025000
2000
Allt han säger är: "Vi kan inte göra det."
17:32
(Laughter)
252
1027000
4000
(Skratt)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
En ganska smart kille, eller hur?
17:38
(Laughter)
254
1033000
2000
(Skratt)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Så vi förväntar oss mycket inom statistiken under de kommande åren.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Vi kommer att kunna betrakta inkomstfördelningar på helt nya sätt.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Det här är inkomstfördelningen i Kina, år 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
Det här är inkomstfördelningen i USA, år 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Nästan ingen överlappning. Och vad har hänt?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Detta har hänt; Kina växer, det är inte lika jämlikt längre,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
det dyker upp här, tittandes ned på USA.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Nästan som ett spöke, inte sant?
18:14
(Laughter)
263
1069000
2000
(Skratt)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Det är ganska läskigt. Men jag tror att det är väldigt viktigt att ha all denna information.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Vi behöver verkligen se den. Men istället för att titta på det här
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
skulle jag vilja runda av med att visa antalet Internetanvändare per 1000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
I den här programvaran har vi tillgång till ungefär 500 variabler från alla länder.
18:42
It takes some time to change for this,
268
1097000
4000
Det tar lite tid att ändra,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
men på axlarna kan man enkelt få den variabel man vill ha.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Grejen vore ju att få upp dessa databaser gratis,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
att göra dem sökbara, och med ett andra klick få dem
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
i grafiskt format som man omedelbart förstår.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Statistiker gillar förstås inte detta, de säger att
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
det inte kommer att spegla verkligheten; vi måste använda statistiska, analytiska metoder.
19:16
But this is hypothesis-generating.
275
1131000
3000
Med det här skapar hypoteser.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Jag avslutar med att visa världen. Där kommer Internet,
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
antalet Internetanvändare ökar så här. Det här är BNP per capita.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Det är en ny teknologi på ingång, men det är häpnadsväckande hur bra
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
den passar med ländernas ekonomi. Det är därför 100-dollarsdatorn
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
kommer att bli så viktig. Men det är en trevlig trend.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Det är som om världen håller på att plattas ut, inte sant? Dessa länder
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
rör sig uppåt snabbare än ekonomin, och det ska bli väldigt intressant
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
att följa detta över åren, som jag vill att man ska kunna göra
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
med all statligt finansierad statistik. Tack så mycket.
19:53
(Applause)
285
1168000
3000
(Applåder)
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