TED2006
Hans Rosling: The best stats you've ever seen
நீங்கள் இதுவரை பார்த்திருப்பதிலேயே மிகச் சிறந்த புள்ளிவிவரங்களை ஹான்ஸ் ரோஸ்லிங் காண்பிக்கிறார்
Filmed:
Readability: 3.6
14,386,844 views
இது போல் தகவல்கள் காண்பிக்கப்பட்டதை நீங்கள் ஒரு போதும் பார்த்திருக்க முடியாது. நாடகம் மற்றும் ஒரு விளையாட்டு ஒளிபரப்பின் வேகத்தோடு, புள்ளிவிவர குருவான ரோஸ்லிங் அவர்கள் “வளரும் நாடுகள்” என்றழைக்கப்படுகிறவைகளின் இரகசியங்களைக் கிளறியெடுக்கிறார்.
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
கடந்த 10 ஆண்டுகளாக, நான் உலகளாவிய வளர்ச்சியை
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
சுவீடிஷ் மாணவர்களுக்கு கற்பிப்பதற்கான பணியை எடுத்துக் கொண்டுள்ளேன். அது 20 ஆண்டுகள்
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
ஆப்பிரிக்கா கல்வி நிறுவனங்களில் ஒன்றாக பசியின் கொடுமையைப் பற்றிப்
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
படித்த பிறகாகும். எனவே, எனக்கு ஓரளவுக்கு உலகத்தைப் பற்றித் தெரியும்.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
பிறகு நான் நமது மருத்துவப் பல்கலைக்கழகம், கரோலின்ஸ்கா கல்வி நிறுவனத்தில்
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
உலகளாவிய சுகாதாரம் என்கிற ஒரு இளங்கலைப் பயிற்சியை எடுத்துக் கொண்டேன். ஆனால் உங்களுக்கு அந்த
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
வாய்ப்புக் கிடைக்கும் போது, சற்று பதற்றமடைவீர்கள்.
00:53
coming to us actually have the highest grade you can get
7
28000
3000
இந்த மாணவர்கள் உண்மையில் சுவீடிஷ் கல்லூரி அமைப்பில் நீங்கள் பெறக்கூடிய
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
உயர்ந்த கிரேடைக் கொண்டிருக்கிறார்கள் - அதனால் அவர்களுக்கு நான் கற்பிக்கப் போவது பற்றி
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
அனைத்தையும் அறிந்திருப்பார்கள் என்று. அதனால் அவர்கள் வந்தது அவர்களுக்கு ஒரு முன் பரிசோதனையை நடத்தினேன்
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
மேலும் நான் அதிகமாக கற்றுக்கொண்ட கேள்விகளில் இதுவும் ஒன்று.
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
இந்த ஐந்து ஜோடி நாடுகளில் அதிகமான சிசு மரணத்தைக் கொண்ட நாடு எது?
01:10
And I put them together, so that in each pair of country,
12
45000
4000
நான் அவற்றை ஒன்றாக சேர்த்தேன், அதனால் ஒவ்வொரு ஜோடி நாட்டிலும்
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
ஒன்று மற்றொன்றைவிட இரட்டிப்பு சிசு மரணத்தைக் கொண்டிருந்தது. மேலும் இதன் பொருள்
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
தரவின் நிலையற்றத்தன்மையைவிட மிகப் பெரிய வித்தியாசம் என்பதாகும்.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
நான் உங்களை சோதிக்கமாட்டேன். ஆனால் அது துருக்கியாகும்.
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
இதில் எது உயர்ந்தது, போலாந்து, இரஷ்யா, பாகிஸ்தான் மற்றும் தென்னாப்பிரிக்கா.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
இவையே சுவீடிஷ் மாணவர்களிடமிருந்து வந்த முடிவுகள். நான் செய்தேன், அதனால் அந்த நம்பிக்கையின் இடைவெளியை நான் பெற்றேன்.
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
அது மிகவும் குறுகியதாக இருந்தது, மற்றும் நான் மிகவும் மகிழ்ந்தேன்.
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
உண்மையில் ஐந்து சாத்தியங்களில் 1.8 சரியான விடை. அதன் பொருள்
01:41
there was a place for a professor of international health --
20
76000
3000
ஒரு சர்வதேச சுகாதாரத்தின் பேராசிரியருக்கு ஒரு இடம் இருக்கிறது --
01:44
(Laughter) and for my course.
21
79000
2000
(சிரிப்புடன்) மற்றும் எனது பயிற்சிக்கும்.
01:46
But one late night, when I was compiling the report
22
81000
4000
ஆனால் இரவு நேரம் கழிந்து, நான் எனது அறிக்கையை ஒன்றாக்கிக் கொண்டிருந்த போது
01:50
I really realized my discovery. I have shown
23
85000
4000
நான் எனது கண்டுபிடிப்பை உணர்தேன்.நான் காட்டினேன்
01:54
that Swedish top students know statistically significantly less
24
89000
5000
சிறந்த சுவீடிஷ் மாணவர்களுக்கு, சிம்பான்ஸிக்களைவிட குறிப்படத்தக்க அளவில்
01:59
about the world than the chimpanzees.
25
94000
2000
உலகத்தைப் பற்றிக் குறைவாகவே தெரிந்திருக்கிறது என்று.
02:01
(Laughter)
26
96000
2000
(சிரிப்பு)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
ஏனென்றால் நான் அவைகளுக்கு இரண்டு வாழைப்பழங்களுடன் இலங்கையையும் துருக்கியையும் கொடுத்தால்
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
அவை பாதி மதிப்பெண்கள் பெறும். அவை நிகழ்வுகளில் பாதியை சரியாக சொல்லியிருக்கும்.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
ஆனால் மாணவர்கள் அதில் இல்லை. எனக்கு பிரச்சினை அறியாமை அல்ல:
02:14
it was preconceived ideas.
30
109000
3000
அது ஒரு முன்புஎண்ணப்பட்ட யோசனைகளாகும்.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
நான் கரோலன்ஸ்கா கல்வி நிறுவனத்தின் பேராசிரியர்கள் குறித்த ஒரு நெறிமுறையற்ற ஆய்வையும் மேற்கொண்டேன்
02:21
(Laughter)
32
116000
1000
(சிரிப்பு)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
- அது மருத்துவத்திற்கான நோபல் பரிசை கொடுக்கும்,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
மற்றும் அவர்கள் சிம்பான்ஸிக்களைவிட மேலாக இருக்கிறார்கள்.
02:26
(Laughter)
35
121000
3000
(சிரிப்பு)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
நான் தொடர்புபடுத்த வேண்டும் என்பதை இங்குதான் உண்மையில் உணர்ந்தேன்
02:33
because the data of what's happening in the world
37
128000
3000
ஏனென்றால் உலகில் என்ன நடக்கிறது என்பதற்கான தரவு
02:36
and the child health of every country is very well aware.
38
131000
3000
மற்றும் ஒவ்வொரு நாட்டிலும் உள்ள குழந்தையின் ஆரோக்கியம் நன்கு அறியப்பட்டது
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
இங்கே ஒவ்வொரு குமிழையும் ஒரு நாடு போன்று காட்டும் இந்த மென்பொருளை நாங்கள் செய்தோம்
02:44
This country over here is China. This is India.
40
139000
6000
இங்கே இருக்கும் நாடு சீனா. இது இந்தியா
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
குமிழின் அளவானது மக்கள் தொகையாகும் மற்றும் இந்த மையக் கோட்டில் நான் கருத்தரிக்கும் விகிதத்தைப் போட்டுள்ளேன்.
02:56
Because my students, what they said
42
151000
3000
ஏனென்றால் என்னுடைய மாணவர்கள், அது தான் அவர்கள் சொன்னது,
02:59
when they looked upon the world, and I asked them,
43
154000
2000
அவர்கள் உலகத்தைப் பார்த்தபோது, மற்றும் நான் அவர்களைக் கேட்டேன்,€
03:01
"What do you really think about the world?"
44
156000
2000
"உலகத்தைப் பற்றி உண்மையில் நீங்கள் என்ன நினைக்கிறீர்கள்?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
நல்லது, முதலில் நான் அறிந்துகொண்டேன் உரைநூலாது டின்டின் என்று, முக்கியமாக.
03:07
(Laughter)
46
162000
1000
(சிரிப்பு)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
அவர்கள் சொன்னார்கள், "உலகம் இன்னும் 'நாம்' மற்றும் 'அவர்களும்'
03:11
And we is Western world and them is Third World."
48
166000
3000
நாம் மேற்கத்திய உலகத்தில் இருக்கிறோம் மற்றும் அவர்கள் ஒரு மூன்றாவது உலகத்தில்"
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"மேற்கத்திய உலகம் என்றால் என்னவென்று நீங்கள் பொருள் கொள்கிறீர்கள்?" என்று சொன்னேன்.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"நீண்ட ஆயுள் சிறிய குடும்பம் மற்றும் மூன்றாம் உலகம் குறுகிய ஆயுள் பெரிய குடும்பம்"
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
எனவே இதைத் தான் நான் இங்கே காட்டமுடியும். நான் கருத்தரிக்கும் விகிதத்தை ஒரு பெண்ணுக்கு குழந்தைகளின் எண்ணிக்கை இங்கே போடுகிறேன்.
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
ஒன்று, இரண்டு, மூன்று, நான்கு ஒரு பெண்ணுக்கு எட்டுக் குழந்தைகள் வரை
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
அனைத்து நாடுகளிலும் உள்ள குடும்பங்களின் அளவு பற்றி நம்மிடம் ஒரு நலலாதரவு 1960 -- 1962 வரை உள்ளது.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
பிழை ஏற்படுவதற்கான வரம்பு குறுகியது. இங்கே நான் கடந்த 30 ஆண்டுகள் என்றும்
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
சில நாடுகளில் 70 ஆண்டுகள் வரை என்றும், பிறப்பு முதலான ஆயுளுக்கான எதிர்பார்ப்பினைப் போடுகிறேன்.
03:45
And 1962, there was really a group of countries here
56
200000
3000
1962இல், உண்மையில் நாடுகளின் குழுவொன்று இருந்தது,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
தொழில் மயமான நாடுகள என்று, அவைகள் சிறிய குடும்பங்கள் மற்றும நீண்ட ஆயுளைக் கொண்டிருந்தன.
03:53
And these were the developing countries:
58
208000
2000
இவைகளே வளரும் நாடுகள்:
03:55
they had large families and they had relatively short lives.
59
210000
3000
அவைகள் பெரிய குடும்பங்களையும் பொருத்தமாக குறுகிய ஆயுளையும் கொண்டிருந்தன.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
இப்போது 1962 முதல் என்ன நடந்தது? நாம் மாற்றத்தைப் பார்க்க விரும்புகிறோம்.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
மாணவர்கள சொன்னது சரியா? இன்னும் இரண்டு வகை நாடுகள் தான் உள்ளனவா?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
அல்லது இந்த வளரும் நாடுகள் சிறிய குடும்பங்களைக் கொணடு அவர்கள் இங்கே வசிக்கிறார்களா?
04:09
Or have they got longer lives and live up there?
63
224000
2000
அல்லது நீண்ட ஆயுளைக் கொண்டு வசிக்கிறார்களா?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
இப்போது பார்க்கலாம். நாம் உலகத்தை இத்தோடு நிறுத்துவோம். இது கிடைக்கப் பெறும்
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
ஐநாவின் புள்ளிவிவரமாகும். இதோ, உங்களால் அதைப் பார்க்கமுடிகிறதா?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
அங்கே இருப்பது சீனா, மேலான ஆரோக்கியத்திற்கு சென்று கொண்டிருக்கிறது, முன்னேறுகிறது.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
அனைத்து பச்சையான இலத்தீன் அமெரிக்க குடும்பங்கள் சிறிய குடும்பங்களை நோக்கி நகர்ந்து கொண்டிருக்கின்றன.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
இங்கே உள்ள உங்கள் மஞ்சள் அரேபிய நாடுகளாகும்,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
மற்றும் அவகைள் பெரிய குடும்பங்களைக் கொண்டிருக்கின்றன, ஆனால் அவர்கள் -- நீண்ட ஆயுளைக் கொண்டிருக்கவில்லை, பெரியக் குடும்பங்களைக் கொண்டுள்ளனர்.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
இங்கே இருக்கும் ஆப்பிரிக்கா நாடுகள் பச்சையாக உள்ளன. அவை அப்படியே உள்ளன.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
இது இந்தியா. இந்தோனேஷியா மிகவும் வேகமாக நகர்ந்து கொண்டிருக்கிறது.
04:36
(Laughter)
72
251000
1000
(சிரிப்பு)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
எண்பதுகளில், வங்காளதேசம் ஆப்பிரிக்க நாடுகளுடன் இன்னும் இங்கே உள்ளது.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
ஆனால் இப்போது, வங்காள தேசத்தில், 80களில் அது நடந்தது ஒரு அதிசயம்:
04:43
the imams start to promote family planning.
75
258000
3000
இமாம்கள் குடும்பக்கட்டுப்பாட்டை ஊக்கப்படுத்தத் துவங்கியுள்ளனர்.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
அவர்கள் அந்த முனை நோக்கி நகர்கிறார்கள். தொண்ணூறுகளில் HIV பரவுதலை நாம் கொண்டிருந்தோம்
04:51
that takes down the life expectancy of the African countries
77
266000
3000
அது வாழ்க்கையின் எதிர்பார்ப்பை ஆப்பிரிக்க நாடுகளில் குறைத்தது
04:54
and all the rest of them move up into the corner,
78
269000
4000
மற்றும் நீண்ட ஆயுளையும் சிறிய குடும்பத்தையும் நாம் கொண்டிருக்கக்கூடிய
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
முனையை நோக்கி மற்றவைகள் எல்லாம் நகர்ந்தன, நாம் முற்றிலும் புதிய உலகினைக் கொண்டிருக்கிறோம்.
05:02
(Applause)
80
277000
13000
(கைதட்டல்)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
நான் இப்போது யுனைடெட் ஸ்டேட்ஸ் அமெரிக்காவுக்கும் வியட்னாமுக்கு இடையில் உள்ள நேரடியான ஒப்பிட்டைக் காட்டுகிறேன்.
05:20
1964: America had small families and long life;
82
295000
5000
1964: அமெரிக்கா சிறிய குடும்பங்களையும் நீண்ட ஆயுளையும் கொண்டிருந்தது;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
வியட்னாம் பெரிய குடும்பங்களையும் குறுகிய ஆயுளையும் கொண்டிருந்தது. இது தான் நடந்தது:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
போரின் போதான தரவு அனைத்து மரணங்களுடன் சமமாக குறித்தது,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
வாழ்க்கைக்கான எதிர்பார்ப்பில் ஒரு முன்னேற்றம் இருந்தது. ஆண்டின் இறுதியில்,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
குடும்பக்கட்டுப்பாடு துவங்கியது மற்றும் அவர்கள் சிறிய குடும்பங்களுக்கு மாறினார்கள்.
05:41
And the United States up there is getting for longer life,
87
316000
3000
யுனைடெட் ஸ்டேட்ஸ் நீண்ட ஆயுளைப் பெற்றிருந்தார்கள்,
05:44
keeping family size. And in the '80s now,
88
319000
3000
குடும்பத்தினை அளவாக வைப்பதன் மூலம். இப்போது 80களில்,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
அவர்கள் கம்யூனிஸ்ட் திட்டமிடுதலை விட்டுவிட்டு, பொருளாதார சந்தைக்கு மாறிவிட்டார்கள்,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
அது சமூக வாழ்க்கையைவிட வேகமாக மாறுகிறது. இன்று நாம்,
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
2003இல், யுனைடெட் ஸ்டேட்ஸில் 1974, போரின் இறுதியில் இருந்தது போன்று,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
அதே ஆயுள் எதிர்பார்ப்புடன் மற்றும் அதே குடும்ப அளவுடன் வியட்னாமைப் பார்க்கிறோம்.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
நான் நினைக்கிறேன், நாம் எல்லோரும் - தரவினை நாம் பார்க்காவிட்டால் --
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
பொருளாதார மாற்றத்தைவிட சமூக மாற்றடமாக இருக்கும்,
06:14
in social change before we saw the economical change.
95
349000
4000
ஆசியாவில் ஏற்படும் அளப்பரிய மாற்றங்களை குறைவாக எடைப் போட்டுவிடுவோம்.
06:18
Let's move over to another way here in which we could display
96
353000
5000
வருவாயின் உலகத்தில் வினியோகத்தைக் காட்டும் மற்றொரு வழிக்கு
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
நாம் நகர்வோம். இது மக்களின் வருவாய்க்கான உலக வினியோகமாகும்.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
ஒரு டாலர், 10 டாலர்கள் அல்லது 100 டாலர்கள் ஒரு நாளைக்கு.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
இனி ஏழைப் பணக்காரர்களுக்கிடையே இடைவேளி ஏதுமில்லை. இது ஒரு கற்பனை.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
இதில் சிறிய மேடு உள்ளது. ஆனால் மக்கள் அங்கேயும் இருக்கிறார்கள்.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
வருவாய் எங்கே முடிகிறது என்பதை நாம் பார்ப்போமானால் -- வருவாய் --
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
இதுவே உலகின் 100 சதவீத ஆண்டு வருமானமாகும். பணக்காரர்கள் 20 சதவீதம்,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
அவர்கள் அதை 74 சதவீதத்தை எடுத்துக் கொள்கிறார்கள். ஏழைகள் 20 சதவீதம்
07:01
they take about two percent. And this shows that the concept
104
396000
5000
அவர்கள் 2 சதவீதத்தை எடுத்துக்கொள்கிறார்கள். இது வளரும் நாடுகளின் தத்துவத்தை
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
முற்றிலும் சந்தேகத்துக்குரியதாகக் காட்டுகிறது. நாம் உதவியைப் பற்றி எண்ணுகிறோம்,
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
இந்த மக்கள் அந்த மக்களுக்கு உதவி வழங்குகிறார்கள். ஆனால் நடுவில்,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
அனேக மக்கள் தொகையை நாம் பெற்றிருக்கிறோம், இவர்கள் 24 சதவீத வருவாயை எடுத்துக் கொள்கிறார்கள்.
07:19
We heard it in other forms. And who are these?
108
414000
4000
நாம் அதை மற்ற வகைகளில் கேட்டுள்ளோம். இவர்கள் யார்?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
வெவ்வேறு நாடுகள் எங்கே உள்ளன? நான் உங்களுக்கு ஆப்பிரிக்காவைக் காட்டலாம்.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
இது ஆப்பிரிக்கா. உலக மக்கள் தொகையில் 10 சதவீதம், அனேகம் பேர் வறுமையில் உள்ளனர்.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
இது OECD. இது பணக்கார நாடு. இது ஐநாவின் கன்ட்ரிக்ளப்.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
மேலும் அவைகள் இந்தப் பக்கத்தில் உள்ளன. ஆப்பிரிக்கா மற்றும் OECD நாடுகளில் சற்று ஒத்திருக்கின்றன.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
இது இலத்தின் அமெரிக்கா. அது உலகத்தில் அனைத்தையும் கொண்டிருக்கிறது,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
ஏழைகள் முதல் பணக்காரர்கள் வரை, இலத்தின் அமெரிக்காவில்.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
அதற்கு மேலே, நாம் கிழக்கு ஐரோப்பாவை வைக்கலாம், கிழக்காசியாவை வைக்கலாம்,
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
மற்றும் தெற்காசியாவை வைக்கலாம். நாம் 1970க்கு பின்னோக்கி நகர்ந்தால் இது
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
எப்படி தோன்றும்? இன்னும் கொஞ்சம் மேடுபள்ளங்கள் இருக்கும்.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
நம்மில் முற்றிலும் ஏழ்மையில் வாழ்ந்தவர்கள் ஆசியர்கள்.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
உலகில் பிரச்சினையாக இருந்தது ஆசியாவின் வறுமையே. இப்போது நான் உலகை முன்னோக்கி நகர செய்தால்,
08:14
you will see that while population increase, there are
120
469000
3000
உலகில் மக்கள் தொகை அதிகரிக்கும் போது, நூறு மில்லியன் கணக்கிலான
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
ஆசியர்கள் வறுமையில் இருந்து வெளியேறுவதையும், வேறு சிலர்
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
வறுமைக்குள் வருவதையும் பார்க்கலாம், இது இன்றைய நிலை.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
மேலும் இது நடக்கும் என்பதே உலக வங்கியின் முன்வைத்தலாகும்,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
நாம் இனி பிரிவினையுள்ள உலகத்தைக் கொண்டிருக்கப் போவதில்லை. நாம் அனேக மக்களை நடுவில் கொண்டிருப்போம்.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
உண்மையில் அது ஒரு லாகார்தமிக் அளவையாக இருக்கும்.
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
ஆனால் நமது பொருளாதாரத்தின் தத்துவம் வளர்ச்சியுடனான சதவீதம். நாம் இப்போது அதை
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
சதவீத அதிகரிப்பின் வாய்ப்பாக பார்க்கிறோம். இதை நான் மாற்றி,
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
குடும்ப வருவாய்க்கு பதிலாக முதலீட்டுக்கான GDPஐ எடுத்துக் கொண்டால், இந்த
08:48
individual data into regional data of gross domestic product,
129
503000
6000
தனிப்பட்ட தரவை உள்ளூர் தயாரிப்புகளின் ஒட்டுமொத்த பிராந்திய தரவாக மாற்றி,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
இந்த பிராந்தியங்களை எடுத்துக் கொள்கிறேன், குமிழ்களின் அளவு இன்னும் மக்கள் தொகையில் தான் உள்ளது.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
OECD உங்களுக்கு அங்கே உள்ளது, மற்றும் சகாரா ஆப்பிரிக்கா உள்ளது,
09:01
and we take off the Arab states there,
132
516000
3000
நாம் அரபுநாடுகளை அதிலிருந்து எடுத்துவிடுவோம்,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
ஆப்பிரிக்கா ஆசியா என்று வரும்போது, நாம் அவற்றை தனியாக வைப்போம்,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
மற்றும் நாம் இந்த கோட்டினை விரிவடைய செய்வோம்,
09:13
by adding the social values there, child survival.
135
528000
3000
சேர்ப்பதன் மூலம், நான ஒரு புதிய பரிமாணத்தைக் கொடுக்கலாம்.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
நான் இப்போது பணத்தை அந்த கோட்டில் வைக்கிறேன், அங்கே குழந்தைகள் வாழ்வதற்கான சாத்தியங்கள் உள்ளன.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
சில நாடுகளில், 99.7 சதவீதம் குழந்தைகள் ஐந்து ஆண்டுகள்வரை உயிர் வாழ்கிறார்கள்:
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
மற்றவர்கள், 70 வரை. இங்கே ஒரு இடைவெளி
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
OECD, இலத்தின் அமெரிக்கா, கிழக்கு ஐரோப்பா, கிழக்கு ஆசியா
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
அரபு நாடுகள், தெற்காசியா மற்றும் துணை சகாரா ஆப்பிரிக்காவுக்கு இடையில் காணப்படுகிறது.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
குழந்தைகள் வாழ்க்கை மற்றும் பணத்திற்கிடையிலான இந்த கோடு மிகவும் பலமாக உள்ளது.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
ஆனால் நான் துணை சகாரா ஆப்பிரிக்கக் கண்டத்தை பிரித்துவிடுகிறேன். சுகாதாரம் உள்ளது மற்றும் மேலான சுகாதாரம் வந்து கொண்டிருக்கிறது.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
நான் இங்கே சென்று, துணை சாகாரா ஆப்பிரிக்காவை அதன் நாடுகளாக பிரித்துவிடுகிறேன்.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
அது வெடிக்கும் போது, இந்த நாட்டு குமிழின் அளவு மக்கள் தொகையின் அளவாக இருக்கும்.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
சியர்ரா லியோனே இருக்கிறது. மொரிஷியஸ் இருக்கிறது. மொரிஷியஸ் தான் முதல் நாடு
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
வியாபாரத் தடைகளில் இருந்து மீண்டது, அவர்களால் சர்க்கரையை விற்க முடிந்தது
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
அவர்களால் ஐரோப்பிய வடஅமெரிக்க மக்களுக்கு இணையாக துணிகளை விற்கமுடிந்தது.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
ஆப்பிரிக்காவுக்கு இடையே இங்கே பெரிய வித்தியாசம் இருக்கிறது. கானா நடுவில் இருக்கிறது.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
சியர்ரா லியோனேவில் மனிதாபிமான உதவி.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
இங்கே உகாண்டாவில், முன்னேற்ற உதவி. இங்கே, முதலீடு செய்வதற்கான நேரம் இது,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
நீங்கள் ஒரு விடுமுறைக்கும் செல்லலாம். அது ஒரு அளப்பரிய மாறுபாடாகும்.
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
ஆப்பிரிக்காவிற்குள் நாம் மிகவும் அரிதாக செய்வது -- அது எல்லாவற்றையும் சமன்படுத்துகிறது.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
நான் இங்கே தெற்காசியாவைப் பிரிக்கலாம், இந்தியாவில் நடுவில் ஒரு பெரிய குமிழாகும்.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
ஆனால் ஆப்கானிஸ்தானுக்கும் இலங்கைக்கும் இடையே மிகப்பெரிய வேறுபாடு உள்ளது.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
நான் அரபு நாடுகளைப் பிரிக்கலாம். அவை எப்படி உள்ளன? அதே வானிலை, அதே கலாச்சாரம்,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
அதே மதம். மிகப் பெரிய வேறுபாடு. அண்டை நாடுகளுக்கு இடையேயும்.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
ஏமனில், உள்நாட்டுப் போர். ஐக்கிய அரபு நாடுகளில், பணம் சமமாக உள்ளது மற்றும் நன்றாகப் பயன்படுத்தப்படுகிறது.
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
கற்பனை போன்று அல்ல. இது இந்த நாட்டில் இருக்கும் வெளிநாட்டுப் பணியாளர்கள் குழந்தைகளையும் உள்ளிடுகிறது.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
தரவி நீங்கள் அடிக்கடி எண்ணுவதைவிட மேலாக உள்ளது. பலர் தரவு மோசமாக இருப்பதாக சொல்கிறார்கள்.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
இதில் ஒரு நிலையற்ற தன்மை உள்ளது, ஆனால் நாம் வித்தியாசத்தை இங்கே பார்க்கலாம்:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
கம்போடியா, சிங்கப்பூர். வித்தியாசமானது தரவின் பலவீனத்தைவிட
11:11
than the weakness of the data. East Europe:
162
646000
3000
மிகப்பெரியதாக உள்ளது. கிழக்கு ஐரோப்பா:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
சோவியத் பொருளாதாரம் நீண்ட காலமாக இருந்து வந்தது, ஆனால் அவை பத்தாண்டுகளுக்குப் பிறகு
11:20
very, very differently. And there is Latin America.
164
655000
3000
மிக மிக வித்தியாசமாக வெளிவந்துவிட்டது. இலத்தின் அமெரிக்கா உள்ளது,
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
இன்று நமக்கு இலத்தின் அமெரிக்காவில் ஒரு ஆரோக்கியமான நாட்டைக் காண்பதற்கு கியூபாவிற்கு செல்ல வேண்டியதில்லை.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
சிலி இப்போதிருந்து இன்னும் சில ஆண்டுகளில் மிகவும் குறைவான குழந்தை இறப்பைக் கொண்டிருக்கும்.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
OECDஇல் நாம் உயர் வருவாய் நாடுகளைக் கொண்டுள்ளோம்.
11:35
And we get the whole pattern here of the world,
168
670000
4000
நாம் இங்கே உலகின் மொத்த வகையைப் பெறுகிறோம்.
11:39
which is more or less like this. And if we look at it,
169
674000
5000
அது ஏறத்தாழ இப்படி உள்ளது. அதை நாம் பார்த்தோமானால்,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
அது எவ்வாறு இருக்கிறது -- உலகம், 1960இல், அது நகரத் தொடங்கியது. 1960
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
இது மாசே துங். அவர் சீனாவிற்கு ஆரோக்கியத்தைக் கொண்டு வந்தார். அதன் பிறகு அவர் இறந்துவிட்டார்.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
அதன் பிறகு டென் ஸியாபிங் வந்தார், சீனாவிற்கு பணத்தைக் கொண்டு வந்தார், அவர்களை முக்கிய நீரோட்டத்திற்கு கொண்டு வந்தார்.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
நாம் எவ்வாறு நாடுகள் வெவ்வேறு திசைகளில் இவ்வாறு நகர்கின்றன என்பதைப் பார்த்தோம்,
12:02
so it's sort of difficult to get
174
697000
4000
எனவே உலகின் வகையைக் காட்டும்
12:06
an example country which shows the pattern of the world.
175
701000
5000
உதாரண நாட்டைப் பெறுவது ஒரு வகையில் கடினமானதாகும்.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
நான் உங்களை மீண்டும் இங்கே 1960க்கு கொண்டு வர விரும்புகிறேன்.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
நான் இந்த ஒரு தென் கொரியாவை, இந்த ஒன்றான பிரேசிலுடன் ஒப்பிட விரும்புகிறேன்.
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
லேபிள் எனக்கு இங்கே நகர்ந்துவிட்டது. நான் அங்கே உள்ள உகாண்டாவை,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
ஒப்பிடவிரும்புகிறேன். அதற்கான நான் இவ்வாறு அதை நகர்த்த முடியும்.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
நீங்கள் தென்கொரியா எவ்வாறு மிக, மிக வேகமாக எவ்வாறு மேம்பாட்டினை முன்னேற்றத்தைப் பார்க்கிறது என்பதை காணலாம்
12:46
whereas Brazil is much slower.
181
741000
3000
அதே சமயம் பிரேசில் மெதுவாக உள்ளது.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
நாம் அதை மீண்டும் பின்னோக்கி நகர்ந்தால், அவற்றின் மீது இவ்வாறு குறிகளைப் போடாலாம்,
12:55
you can see again that the speed of development
183
750000
4000
நீங்கள் முன்னேற்றத்தின் வேகம், மிக மிக வித்தியாசமாக,
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
இருப்பதைக் காணலாம் மற்றும் இந்த நாடுகள் பணம் மற்றும் சுகாதாரத்தில் ஏறத்தாழ,
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
ஒரே வேகத்தில் நகர்ந்துகொண்டு இருக்கின்றன, ஆனால்
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
நீங்கள் ஆரோக்கியத்திலோ அல்லது பணத்திலோ முதலாவதாக இருந்தால் வேகமாக நகரலாம் என்று தோன்றுகிறது.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
இதைக் காட்டுவதற்கு, ஐக்கிய அரபு எமிரேட்டுகளின் வழியைக் காட்டலாம்.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
அவை தாதுப் பொருள் நாடாக வந்தன. அவைகள் அனைத்து எண்ணையையும் கைப்பற்றிக் கொண்டன,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
அதனால் அவைகளுக்கு அனைத்துப் பணமும் கிடைத்தது, ஆனால் ஆரோக்கியம் ஒரு பல்பொருள் அங்காடியில் வாங்கமுடியாது.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
நீங்கள் சுகாதாரத்தில் முதலீடு செய்ய வேண்டும். நீங்கள் பள்ளிக்கு குழந்தைகளை அனுப்பச் செய்ய வேண்டும்.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
நீங்கள் சுகாதார ஊழியர்களைப் பயிற்றுவிக்க வேண்டும். நீங்கள் மக்களுக்கு கல்வி அளிக்க வேண்டும்.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
அதை ஷேக் சையது நியாயமான நல்லவழியில் அதை செய்தார்.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
வீழும் எண்ணை விலைகளுக்கு மத்தியில் , தன் நாட்டை மேலே கொண்டு வந்தார்.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
அனைத்து நாடுகளும் தாங்கள் முன்பு பயன்படுத்தியதைவிட மேலாக
13:43
where all countries tend to use their money
195
798000
2000
தற்போது பணத்தைப் பயன்படுத்த விரும்புகின்றன,
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
நமக்கு ஒரு முதன்மையான தோற்றம் உலகத்தில் கிடைத்துள்ளது. இப்போது, இது, ஏறத்தாழ
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
நீங்கள் நாடுகளின் சராசரித் தரவை பார்த்தால் தெரியும். அவை இப்படி இருக்கும்.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
சராசரி தரவைப் பயன்படுத்துவது ஆபத்தானது, ஏனென்றால், நிறைய வேறுபாடுகள்
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
நாடுகளுக்குள் உள்ளன. எனவே நான் சென்று பார்ததால், நம்மால்
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
தென்கொரியா 1960இல் இருந்த இடத்தில் உகாண்டாவைப் பார்க்கலாம். நான் உகாண்டாவைப் பிரித்தால்,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
உகாண்டாவிற்குள்ளேயே மிகப்பெரிய வித்தியாசம் இருக்கிறது. இவையே உகாண்டாவின் புள்ளிவிவரம்.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
அங்கே 20 சதவீத பணக்கார உகாண்டன்கள் இருக்கிறார்கள்.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
ஏழைகளும் அங்கே இருக்கிறார்கள். நான் தென்னாப்பிரிக்காவை பிரித்தால், அது இப்படி இருக்கும்.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
நான் கீழே நைஜருக்கு சென்று பார்த்தால், அங்கே அத்தனை மோசமான பஞ்சம்,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
இறுதியாக, அது இவ்வாறு உள்ளது. நைஜரில் 20 சதவீதத்தினர் ஏழைகள்,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
மற்றும் தென்னாப்பிரிக்காவின் பணக்காரர்களில் 20 சதவீதத்தினர் அங்கே இருக்கிறார்கள்,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
மற்றும் ஆப்பிரிக்காவில் என்ன தீர்வுகள் இருக்க வேண்டும் என்பதை நாம் இன்னும் விவாதிக்க முயற்சிக்க வேண்டும்.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
இந்த உலகத்தில் அனைத்தும் ஆப்பிரிக்காவில் இருக்கிறது. நீங்கள்
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
கிழேக் காணும் அதே உத்தியுடன் இந்த புள்ளிவிவரத்திற்கான ஹெச்ஐவி (மருந்து)
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
அணுகலை விவாதிக்க முடியாது. உலகத்தின் மேம்பாடு
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
அதிகமாக பொருளாக்கப்பட வேண்டும், மற்றும் அது பிராந்திய அளவில் கொள்வதற்கு
15:00
on regional level. We must be much more detailed.
212
875000
3000
பொருத்தமானதாக இருக்கக்கூடாது. அதை நாம் இன்னும் விவரப்படுத்த வேண்டும்.
15:03
We find that students get very excited when they can use this.
213
878000
4000
மாணவர்கள் அதைப் பயன்படுத்தும் போதும் மிகவும் ஆவலாக இருப்பதை நாம் பார்க்கலாம்.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
இன்னும் சொல்லப்போனால் கொள்கை இயற்றுபவர்களும், நிறுவனங்களும் உலகம் எவ்வாறு
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
மாறுகிறது என்பதை பார்ககவிரும்புகின்றனர். இப்போது, இது ஏன் ஏற்படுவதில்லை?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
நாம் ஏன் நம்மிடம் இருக்கும் தரவை பயன்படுத்துவதில்லை? நம்மிடம் தரவுகள் ஐக்கிய நாடுகளில்,
15:20
in the national statistical agencies
217
895000
2000
தேசிய புள்ளியில் நிறுவனங்களில்
15:22
and in universities and other non-governmental organizations.
218
897000
4000
பல்கலைக்கழகங்களில் மற்றும் சமூகத்தொண்டு நிறுவனங்களிலும் இருக்கிறது.
15:26
Because the data is hidden down in the databases.
219
901000
2000
ஏனென்றால் தரவுகள் தரவுதளங்களில் மறைந்து இருக்கிறது.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
பொதுமக்கள் இருக்கிறார்கள், மற்றும் இன்டர்நெட் உள்ளது, ஆனாலும் நாம் அதை ஆற்றலுடன் பயன்படுத்தவில்லை.
15:33
All that information we saw changing in the world
221
908000
3000
உலகத்தில் மாறிவரும் நாம் காணும் தகவல்கள் யாவும்
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
பொதுமக்களால் நிதியளிக்கப்பட்ட புள்ளிவிவரங்களை உள்ளிடுவதில்லை. நீங்கள் அறிந்திருக்கக்கூடிய,
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
இது போன்ற சில வலைப்பக்கங்கள் உள்ளன, ஆனால் அவை தரவுதளங்களில் இருந்து சில ஊட்டங்களை எடுத்துக் கொள்கின்றன,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
ஆனால் மக்கள் அவற்றின் மீது விலையை வைக்கிறார்கள், முட்டாள்தனமான கடவுசொற்கள் மற்றும் வெறுப்பாக்கும் புள்ளிவிவரங்கள்.
15:51
(Laughter) (Applause)
225
926000
3000
(சிரிப்பு) (கைதட்டல்)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
இது வேலை செய்யாது. எனவே என்ன வேண்டும்? நம்மிடம் தரவுகள் உள்ளன.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
அது நீங்கள் விரும்பும் புதிய தரவுதளம் அல்ல. நம்மிடம் அருமையான வடிவமைக்கும் கருவிகள் உள்ளன.
16:02
and more and more are added up here. So we started
228
937000
3000
மேலும் மேலும் இங்கே சேர்க்கப்படுகிறது. அதனால் நாம் ஒரு
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
ஒரு இலாபநோக்கற்ற ஒரு முயற்சி தொடங்கினோம் - வடிவமைப்பிற்கு தரவை இணைத்து -
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
நாம் அதை கேப்மைண்டர் என்று அழைக்கிறோம், லண்டனின் மறைவுலகத்திலிருந்து, அவர்கள் நம்மை எச்சரிக்கிறார்கள்,
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
"மைண்ட் தி கேப்" என்று. அதனால் நாம் கேப் மைண்டர் பொருத்தமானதாக இருக்கும் என்று எண்ணினோம்.
16:16
And we started to write software which could link the data like this.
232
951000
4000
இந்த தரவுகளை இவ்வாறு இணைக்கக்கூடிய மென்பொருளை எழுதத் துவங்கினோம்.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
அது ஒன்று கடினமானதாக இல்லை. அது சில நபர்களின் ஆண்டுகளை எடுத்துக் கொண்டது, மற்றும் நாம் அதற்கு அனிமேஷனை உருவாக்கினோம்.
16:26
You can take a data set and put it there.
234
961000
2000
நீங்கள் ஒரு தரவுதொகுதியை எடுத்து அதில் போடலாம்.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
நாம் ஐநா தரவையும், மிகச் சில ஐநா நிறுவனங்களையும் சுதந்திரப்படுத்துகிறோம்.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
சிலநாடுகள் தங்களின் தரவுதளங்கள் உலகெங்கும் எடுத்துச் செல்லப்படலாம் என்பதை ஏற்றுக்கொண்டுள்ளன,
16:37
but what we really need is, of course, a search function.
237
972000
3000
ஆனால் நமக்குத் தேவை, உண்மையில், ஒரு தேடுதல் செயல்பாடு.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
ஒரு தேடுதல் செயல்பாடு, அதில் ஒரு தேடுதல் வடிவத்திற்கு தரவினை பிரதி செய்யலாம்,
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
மற்றும் அதை உலகத்திற்கு எடுத்துச் செல்லலாம். நாம் செல்லும் வரும் போது என்ன கேள்விப்படுகிறோம்?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
முக்கியப் புள்ளிவிவரத் தொகுதியில் மனிதவியல் படித்துள்ளேன். அனைவரும் சொல்கிறார்கள்,
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"அது சாத்தியமற்றது. இதை செய்யமுடியாது. நமது தகவல்கள் விவரணையில்
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
மிகவும் வினோதமானது, அதனால் அது மற்றவைகளை தேடுவது போலத் தேடப்படமுடியாது.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
நம்மால் தரவினை இலவசமாக மணவர்களுக்கும், உலகின் தொழில் முனைவோருக்கும் கொடுக்க இயலாது."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
ஆனால் இது தான் நாம் பார்க்கவிரும்புவது, அல்லவா?
17:08
The publicly-funded data is down here.
245
1003000
3000
பொதுமக்களால் நிதியளிக்கப்பட்ட தரவு கீழே உள்ளது.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
நாம் நெட்டில் பூக்கள் வளர விரும்புகிறோம்.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
முக்கியமான கருத்துக்களில் ஒன்று என்னவென்றால் அவற்றை தேடக்கூடியதாக்குவது, மற்றும் மக்கள்
17:19
the different design tool to animate it there.
248
1014000
2000
அதை அனிமேட் செய்வதற்கு வெவ்வேறு வடிவமைப்பு கருவிகளைப் பயன்படுத்தலாம்.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
என்னிடம் உங்களுக்கு ஒரு மிகவும் நல்லத் தகவல் உள்ளது. என்னிடம் உள்ள நல்லத் தகவல்
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
யுஎன் புள்ளியல்துறையின் தற்போதைய, புதிய தலைவர், அதை சாத்தியமில்லாதது என்று சொல்லவில்லை.
17:30
He only says, "We can't do it."
251
1025000
2000
"நம்மால் செய்ய முடியாது" என்று மட்டுமே சொல்கிறார்.
17:32
(Laughter)
252
1027000
4000
(சிரிப்பு)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
அவர் புத்திசாலி மனிதர், ஆ?!
17:38
(Laughter)
254
1033000
2000
(சிரிப்பு)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
வரும் ஆண்டுகளில் தரவுகளில் நிறைய நடப்பதை நாம் பார்க்கலாம்.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
வருவாய் வினியோகங்களை முற்றிலும் புதிய வழிகளில் நம்மால் பார்க்கமுடியும்.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
1970இல் சீனாவின் வருவாய் வினியோகமாகும் இது.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
1970இல் யுனைடட் ஸ்டேட்ஸின் வருவாய் வினியோகம்.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
அனேகமாக ஒன்று மற்றதன் மேல் படியவில்லை. ஒன்று மற்றதன் மேல் படியில்லை. என்னவாயிற்று?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
என்ன நடந்தது என்றால்: சீனா வளர்ந்து வருகிறது, எனவே அது இனி ஒரு போதும் சமமானது அல்ல,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
அது யுனைடெட் ஸ்டேட்ஸை மேற்பார்வை செய்வது போலத் தோன்றுகிறது.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
அனேகமாக ஒரு பூதத்தைப் போல, அல்லவா, ஆ?!
18:14
(Laughter)
263
1069000
2000
(சிரிப்பு)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
அது நன்றாக பயமுறுத்துவதாக உள்ளது. ஆனால் இந்தத் தகவல்கள் அனைத்தையும் நான் மிகவும் முக்கியமானதாக எண்ணுகிறேன்.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
நமக்கு உண்மையில் அவற்றைப் பார்க்க வேண்டியுள்ளது. இதைப் பார்ப்பதற்கு பதிலாக,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
இன்டர்நெட் பயன்படுத்துவர்களுக்கு பிரதி 1000க்கு காட்டுவதன் மூலம் முடிக்க விரும்புவேன்.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
இந்த மென்பொருளில், நாம் 500 வேரியபில்களை அனைத்து நாடுகளிலிருந்து மிகவும் எளிதாக அணுக முடியும்.
18:42
It takes some time to change for this,
268
1097000
4000
இதற்கு மாறுவதற்கு சிறிது காலம் எடுக்கும்,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
ஆனால் கோடுகளின் மீது, நீங்கள் விரும்பும் எந்தவொரு வேரியபிளையும் மிகவும் எளிதாகப் பெறலாம்.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
விஷயம் என்னவென்றல் தரவுதளங்களை இலவசமாக பெறுதல்,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
அவற்றை தேடக்கூடியதாக்குதல், மற்றும் இரண்டு க்ளிக்குகளில்,
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
நீங்கள் அவற்றை உடனடியாக புரிந்துகொள்ளக்கூடிய, கிராஃப் ஃபார்மெட்டில் பெறுதல்.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
இப்போது, புள்ளியியலாளர்கள் அதை விரும்புவதில்லை, ஏனென்றால்
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
இது உண்மையை சொல்லாது என்று சொல்கிறார்கள்; நமக்கு புள்ளியில், பகுப்பாய்வு முறைகள் வேண்டும்.
19:16
But this is hypothesis-generating.
275
1131000
3000
ஆனால் இது காரணவிகிதத்தை உருவாக்குவதாகும்.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
நான் இப்போது உலகத்துடன் முடித்துக் கொள்கிறேன். இப்போது வருகிறது இன்டர்நெட்.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
இன்டர்நெட் பயன்படுத்துவோரின் எண்ணிக்கை இவ்வாறு மேலே போய் கொண்டிருக்கிறது. இதுவே பிரதி முதலீட்டிற்கான GDP ஆகும்.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
இது ஒரு உள்ளே வந்துகொண்டிருக்கும் ஒரு புது தொழில்நுட்பமாகும், ஆனால் ஆச்சரியப்படத்தக்கவகையில்,
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
எவ்வளவு பொருத்தமாக நாடுகளின் பொருளாதாரத்திற்குள் பொருந்துகிறது. அதனால் தான் 100 டாலர்
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
கம்ப்யூட்டர் மிகவும் முக்கியமானதாகும். ஆனால் இது ஒரு நல்ல போக்கு ஆகும்.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
இது உலகம் தட்டையாவது போல உள்ளது அல்லவா? இந்த நாடுகள்
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
பொருளாதாரத்தைவிட மேலே ஏற்றிக் கொண்டிருக்கின்றன மற்றும் நான் பொதுமக்களால் நிதி செய்யப்பட்ட
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
தரவுடன் செய்யக்கூடியதை செய்யவிரும்புவதை போன்று, வரும் ஆண்டுகளில் இது
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
பின்பற்றுவதற்கு சுவாரசியமானதாக இருக்கும். மிக்க நன்றி.
19:53
(Applause)
285
1168000
3000
(கைதட்டல்)
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