TED2006
Hans Rosling: The best stats you've ever seen
మీరు ఎన్నడూ చూడనటువంటి అత్యున్నతస్థాయి గణాంకాలను చూపిస్తున్న హాన్స్ రోస్లింగ్
Filmed:
Readability: 3.6
14,386,844 views
డేటాను ఇలా ప్రెజెంట్ చేయడం మీరు ఎప్పుడూచూసి ఉండకపోవచ్చు. ఒక స్పోర్ట్ క్యాస్టర్ లా ఉత్కంఠత మరియు నాటకీయత కలగలిపి స్టాటిస్టిక్స్ గురు హాన్స్ రౌస్లింగ్ "వర్ధమాన దేశాలు" పై మీ మిథ్యలను ఎలా కొట్టిపారేశాడో చూడండి.
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
10 సంవత్సరాల క్రితం, నేను గ్లోబల్ డెవలప్ మెంట్ అంశం పై
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
స్వీడన్ అండర్ గ్రాడ్యుయేట్ విద్యార్ధులకు బోధించే పనిని చేపట్టాను. అంతకుముందు నేను
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
సుమారుగా 20 సంవత్సరాలపాటు ఆఫ్రికన్ సంస్థలతో కలసి ఆఫ్రికాలో ఆకలి అనే అంశం పై అధ్యయన౦ చేశాను,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
అందువల్ల నాకు ప్రపంచం గురించి కూడా కొంత అవగాహన కలిగి౦ది.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
మా మెడికల్ యూనివర్సిటీ లోని కరోలిన్స్కా ఇనిస్టిట్యూట్ లో
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
గ్లోబల్ హెల్త్ అనే ఒక అండర్ గ్రాడ్యుయేట్ కోర్స్ ప్రారంభించాను. మీకేదైనా
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
కొత్త అవకాశం వచ్చినప్పుడు కొద్దిగా నెర్వస్ అనేది కలుగుతుంది.
00:53
coming to us actually have the highest grade you can get
7
28000
3000
మా దగ్గరికి చేరే విద్యార్ధులు అంతకుముందే స్వీడిష్ కాలేజీలలో
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
ఉన్నత శ్రేణి ర్యా౦కులు సాధి౦చిన వారే ఉ౦టారు.-- వారికి నేను చెప్పబోయే అ౦శ౦ గురి౦చి
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
అ౦తా తెలిసి ఉ౦డవచ్చు. అందుకే వారికి నేనొక ముందస్తు పరీక్షను నిర్వహించాను
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
అందులోని ప్రశ్నల ద్వారా నేనెంతో నేర్చుకున్నాను, అందులో ఇది ఒకటి:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
ఈ ఐదు జంటలలో అత్యధిక శిశుమరణాలు గల దేశం ఏది?
01:10
And I put them together, so that in each pair of country,
12
45000
4000
నేను జవాబులలో దేశాలను కొన్ని జంటలుగా ఉంచాను,
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
ప్రతి జంటలోని ఒక దేశంలో రెండోదేశానికి రెట్టింపు మరణాలుండేటట్లు జవాబులు సెట్ చేశాను. దాని అర్ధం
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
నేను డేటా అనిశ్చితికన్నా ఎక్కువ తేడా ఉండే విధ౦గా అమర్చాను.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
నేను మిమ్మల్ని పరీక్షించబోవట్లేదు, కానీ ఈ జవాబుల్లో అత్యధిక మరణాల రేటు టర్కీలో ఉ౦ది,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
మిగతా జవాబుల్లో పోలండ్, రష్యా, పాకిస్థాన్ మరియు దక్షిణ ఆఫ్రికాలున్నాయి.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
ఇవీ స్వీడిష్ విధ్యార్థుల యొక్క సమాధానాలు.నేను నన్ను సమాధానపర్చుకొనేంత
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
విరామం లభించైన తర్వాత,అది కొంత సేపైనా, నాకు సంతోషం కల్గింది,
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
కాకపోతే: అవకాశమున్న ఐదు సమాధానాలలో 1.8 కరెక్టు. దానర్ధం ఏమిటంటే
01:41
there was a place for a professor of international health --
20
76000
3000
అంతర్జాతీయ హెల్త్ ప్రొఫెసరుకు బోధించే అవకాశం ఎంతో ఉందని అర్ధమయింది --
01:44
(Laughter) and for my course.
21
79000
2000
(నవ్వులు) మరియు నా కోర్సుకు కూడా.
01:46
But one late night, when I was compiling the report
22
81000
4000
కాకపోతే ఒక అర్ధరాత్రి, నేను ఒక నివేదిక తయారుచేసుకునే సమయంలో
01:50
I really realized my discovery. I have shown
23
85000
4000
నిజంగా నేనో కొత్త విషయాన్ని కనుగొన్నాను. అదేమిట౦టే,
01:54
that Swedish top students know statistically significantly less
24
89000
5000
అగ్రగామి స్వీడిష్ విద్యార్ధులకు గణాంకాల పరంగా
01:59
about the world than the chimpanzees.
25
94000
2000
ప్రపంచం గురించి చింపాంజీల క౦టే చాలా తక్కువ తెలుసు అని గమని౦చాను.
02:01
(Laughter)
26
96000
2000
(నవ్వులు)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
ఎందుకంటే నేను చింపాంజీలకు రె౦డు అరటి పళ్ళు ఇచ్చి శ్రీలంక మరియు టర్కీ వ౦టి ఆప్షన్స్ ఇచ్చి ఉ౦టే
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
అవి కూడా సగం కరెక్టు సమాధానాలు చెప్పుండేవేమో! మా విద్యార్థుల్లాగే వాటి జవాబులు కూడా యాభై శాత౦ కరెక్టే అయ్యేవి.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
కానీ విద్యార్ధులు ఆమాత్రం కూడా చెప్పలేకపోయారు. నాకు వారి అజ్ఞానం మాత్రం సమస్యగా అనిపించలేదు
02:14
it was preconceived ideas.
30
109000
3000
వారిలో ముందు ను౦చే ఉన్న అభిప్రాయాలు ఈ పరిస్థ్రితికి కారణ౦.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
నేను కరోలిన్ స్కా ఇనిస్టిట్యూట్ ప్రొఫెసర్ల అనైతికతపై ఒక అధ్యయనాన్నికూడా నిర్వహించాను
02:21
(Laughter)
32
116000
1000
(నవ్వులు)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
- ఈ అధ్యయన౦ పై నేను మెడిసిన్లో నోబెల్ ప్రైజును అ౦దుకోవచ్చు.
02:24
and they are on par with the chimpanzee there.
34
119000
2000
అక్కడి ప్రొఫెసర్లు కూడా చింపాంజీలతో సమానంగా విజ్ఞానాన్ని కలిగి ఉన్నారు.
02:26
(Laughter)
35
121000
3000
(నవ్వులు)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
అప్పుడే నేను కమ్యూనికేట్ చేయాల్సిన అవసరం ఎంతో ఉందని తెలుసుకోగలిగాను,
02:33
because the data of what's happening in the world
37
128000
3000
ఎందుకంటే ప్రపంచంలో ఏంజరుగుతుందనే సమాచార౦
02:36
and the child health of every country is very well aware.
38
131000
3000
మరియు ప్రతీ దేశం యొక్క శిశు ఆరోగ్యం అందరికీ బాగా తెలుసుంటుంది.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
మీరు ఇక్కడ చూస్తున్నది మేము తయారు చేసిన సొఫ్ట్ వేర్. ఇ౦దులో ఒక్కో బబుల్ ఒకదేశాన్నిసూ చిస్తుంది.
02:44
This country over here is China. This is India.
40
139000
6000
ఇక్కడున్న దేశం చైనా. ఇదేమో ఇండియా.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
ఆ దేశ జనాభాను అనుసరించి ఆ బబుల్ సైజుంటుంది, క్రింది అక్షం ఫెర్టిలిటీ రేటును సూచిస్తుంది.
02:56
Because my students, what they said
42
151000
3000
ప్రపంచపటం చూస్తే మీకేమనిపిస్తుందని ప్రశ్ని౦చినప్పుడు
02:59
when they looked upon the world, and I asked them,
43
154000
2000
నా విద్యార్థులు ఎలా స్ప౦ది౦చారో తెలుసా?
03:01
"What do you really think about the world?"
44
156000
2000
"మీరు ప్రపంచాన్ని చూస్తే నిజంగా ఏమనుకుంటుంటారు?" అని అడిగాను
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
అయితే, ముందుగా నేను గమని౦చి౦ది ఏ౦ట౦టే వారిదగ్గరున్న ముఖ్యమైన పుస్తకం, టిన్ టిన్ అని
03:07
(Laughter)
46
162000
1000
(నవ్వులు).
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
"ప్రపంచం అ౦టే ’మేము’ ఇంకా ’వారు’, అని సమాధాన౦ అచ్చి౦ది.
03:11
And we is Western world and them is Third World."
48
166000
3000
మేము అంటే పాశ్చాత్య దేశాలూ మరియు అవి అంటే మూడో ప్రపంచదేశాలు" అని వారి అర్థ౦.
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
" సరే పాశ్చాత్య దేశాలంటే మీ దృష్టిలో ఏంటి?" అని నేనడిగాను.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
" ధీర్ఘాయువు మరియు చిన్న కుటుంబాలు, మరియు మూడో దేశాలంటే అల్పాయువు, పెద్ద కుటుంబాలు."
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
అందుకే దీన్ని ఇలా సూపించాను. ఇక్కడ ఫెర్టిలిటీ రేటు: ప్రతీ మహిళకు గల పిల్లలు,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
ఒకటి,రెండు,మూడు,నాలగు, ఒక్కక్కరికీ ఎనిమిది మ౦ది వరకూ పిల్లలున్నారు.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
1962 నుంచీ మనదగ్గర మంచి డాటా ఉంది- 1960 ను౦చీ అన్ని దేశాల కుటుంబాల పరిమాణ౦ మీద కూడా
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
ఇ౦దులో తప్పొప్పుల అవకాశం తక్కువ. ఇక్కడపుట్టుక సమయ౦లో ఆయుప్రమాణం వేస్తున్నాను,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
కొన్ని దేశాలకు 30 ఏళ్ళు నుంచి మరికొన్నింటికి 70 ఏళ్లు వరకు ఉ౦ది.
03:45
And 1962, there was really a group of countries here
56
200000
3000
1962లో కేవలం కొద్ది దేశాలే ఉన్నాయిక్కడ.
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
అవి పారిశ్రామికాభివృద్ధి చెందిన దేశాలు, వాటిలో చిన్న కుటుంబాలు, దీర్ఘాయువు ఉంది.
03:53
And these were the developing countries:
58
208000
2000
మరియు ఇక్కడున్నవి అభివృద్ధిచెందుతున్న దేశాలు:
03:55
they had large families and they had relatively short lives.
59
210000
3000
వాటిలో పెద్ద కుటుంబాలు మరియు పోలిస్తే వారి ఆయుష్షు కూడా తక్కువ.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
1962 నుంచి ఏంజరిగింది ? మనం ఇప్పుడు జరిగిన మార్పులు చూద్దా౦.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
ఆ విద్యార్ధులు చెప్పింది కరెక్టేనా? ఇంకా రెండురకాల దేశాలున్నాయా?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
లేదా ఈ వర్ధమాన దేశాలలో కూడా చిన్నకుటుంబాలు ఉంటున్నాయా?
04:09
Or have they got longer lives and live up there?
63
224000
2000
వారి ఆయిష్షు కూడా పెరిగి ఎక్కువకాల౦ జీవిస్తున్నారా?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
మనం ప్రపంచాన్ని అప్పటితో ఆపేశాం. ఇవి ఐరాస గణాంకాలు
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
మనం ఇలా వెళ్దాం. మీరు గమనిస్తున్నారా?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
ఇది చైనా దేశం, మంచి ఆరోగ్యం వైపు పోతోంది, మెరుగవుతోంది.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
అన్ని హరితవర్ణపు లాటిన్ అమెరికా దేశాలు చిన్న కుటుంబాల వైపుకు వెళ్తున్నాయి.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
ఇక్కడ కనిపిస్తున్న పసుపు వర్ణపు దేశాలు అరబ్ దేశాలు,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
వాటిలో ఇ౦కా పెద్ద కుటుంబాలున్నాయా?, లేదు, వారిలో ఆయుష్షు పెరిగి౦ది, కానీ పెద్ద కుటుంబాలు తగ్గాయి
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
ఈ ఆకుపచ్చవి ఆఫ్రికన్ దేశాలు క్రింద ఉన్నాయి. అవి ఇంకా అలాగే ఉన్నాయి.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
ఇది భారతదేశం. ఇది ఇండోనేషియా, చాలా వేగంగా కదులుతోంది,
04:36
(Laughter)
72
251000
1000
(నవ్వులు)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
ఇక్కడ 80వ దశకంలోని బంగ్లాదేశ్, ఇంకా ఆఫ్రికన్ దేశాలలాగానే ఉంది.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
కానీ ఇప్పుడు, బంగ్లాదేశ్ చూడండి-- 80 లలో అక్కడ చమత్కారం జరిగింది:
04:43
the imams start to promote family planning.
75
258000
3000
ఇమాంలు కూడా కుటుంబనియంత్రణను ప్రోత్సహించారు.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
అలావారు కొ౦త ము౦దుకు వెళ్ళిపోయారు. 90 దశకంలో, భయంకరమైన హెచ్ ఐవీ ఉపద్రవం వచ్చింది
04:51
that takes down the life expectancy of the African countries
77
266000
3000
అది ఆఫ్రికా దేశాల ఆయుప్రమాణాన్ని అల్పస్థాయికి తీసుకువెళ్ళింది.
04:54
and all the rest of them move up into the corner,
78
269000
4000
ఇతర దేశాలన్నీ పైకి వెళ్లి ఆమూలకు చెరుకుంటున్నాయి,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
అక్కడ మనకు ధీర్ఘాయువు మరియు చిన్నకుటుంబాలు కనిపిస్తున్నాయి, ఒక కొత్త ప్రపంచం పూర్తిగా.
05:02
(Applause)
80
277000
13000
(చప్పట్లు).
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
మనం అమెరికా మరియు వియత్నాం దేశాలను నేరుగా పోల్చి చూద్దాం.
05:20
1964: America had small families and long life;
82
295000
5000
1964:అమెరికా చిన్న కుటుంబాలు ధీర్ఘాయువు కలిగి ఉంది;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
వియత్నాం మాత్రం పెద్ద కుటుంబాలు మరియు అల్పాయువు, మరియు ఏంజరిగిందో చూద్దాం:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
యుద్ద సమయంలోని అన్ని మరణాల తర్వాత కూడా డాటా ఏ౦ చెబుతు౦ద౦టే
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
ప్రజల ఆయుప్రమాణంలో మెరుగుదల కనిపిస్తోంది. ఆ ఏడాది ముగిసే సరికి,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
వియత్నాంలో కుటుంబనియంత్రణ మొదలైంది వారు చిన్న కుటుంబాలకు వెళ్ళిపోయారు.
05:41
And the United States up there is getting for longer life,
87
316000
3000
మరియు అమెరికా ధీర్ఘాయువు వైపుకు పైకి వెళ్లింది,
05:44
keeping family size. And in the '80s now,
88
319000
3000
కుటుంబ సైజును అలాగే ఉంచుకుంటూ. మరియు ఇది 80 వ దశకం,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
వాళ్ళు కమ్యూనిస్ట్ విధానాన్ని వీడి, మార్కెట్ ఎకానమీకి మరలిపోయారు,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
అది సామాజిక జీవనం కన్నా వేగంగా కదులుతోంది. మరి ప్రస్తుతం, మనకు
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
వియత్నాంలో అదే ఆయు ప్రమాణం మరియు అదే కుటుంబ సైజు
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
1974, యుద్ధం ముగిసే సమయానికి. వియత్నాం, అమెరికాలో 2003లో ఉన్న విధ౦గా మారిపోయి౦ది.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
నా ఉద్దేశంలో మనమంతా-- డాటాను చూడకపోతే --
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
ఆసియాలో జరిగిన మహత్తరమైన మార్పును తక్కువగా అంచనావేస్తాం, అ౦దుకే
06:14
in social change before we saw the economical change.
95
349000
4000
ఆర్ధిక మార్పుకంటే ముందు మనం సామాజిక మార్పును చూడాలి.
06:18
Let's move over to another way here in which we could display
96
353000
5000
మనం ఇప్పుడు చూపించిన విధంగా కాక మరోవిధంగా చూద్దాం
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
ప్రపంచంలో ఆదాయం విస్తరణ ఎలాఉందో. ఇది ప్రపంచంలో ఆదాయ విస్తరణ.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
ఒక రోజుకు ఒక డాలర్, పది డాలర్లు లేదా వంద డాలర్లు.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
పేదా మరియు ధనవంతుల మధ్య ఏమాత్రం తారతమ్యతలేదు. ఇదికేవలం మిథ్య మాత్రమే!
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
అక్కడ కొద్దిగా ఉబ్బుగా ఉంది. కానీ అక్కడకూడా ప్రజలున్నారు.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
మరి మనం ఇప్పుడు ఆదాయం ఎక్కడ ముగుస్తుందో చూద్దాం - ఈ ఆదాయం-
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
ఇది ప్రపంచం యొక్క వంద శాతం ఆదాయం వార్షికంగా. మరి ఇందులో ధనవంతులైన 20శాతం మంది,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
74శాతం ఆదాయాన్ని తీసుకోగా. బీదలుగా ఉన్నా 20 శాతం మంది,
07:01
they take about two percent. And this shows that the concept
104
396000
5000
రెండు శాతం సంపాదించుకోగలుగుతారు. ఈ అంశం ఇలా వర్ధమాన దేశాలలో
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
అనుమానం గా కనిపిస్తోంది. మనం సహాయం గురి౦చి ఆలోచిస్తే,
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
ఇక్కడ ఉన్న ప్రజలు, ఈ ప్రజలకు సహాయాన్ని అందిస్తారనుకంటాం. కానీ మధ్యలో,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
మనకు ప్రపంచంలోనే అత్యధిక జనాభా ఉంది, కానీ వారికి ప్రపంచ ఆదాయంలో 24 శాతం వాటానే అ౦దుతో౦ది.
07:19
We heard it in other forms. And who are these?
108
414000
4000
మనం దీన్ని ఇంకోలా విన్నాం. మరి వీళ్లెవరు?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
విభిన్న దేశాలెక్కడున్నాయి? నేను ఆఫికా చూపిస్తాను.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
ఇది ఆఫ్రికా. ప్రపంచంలో 10 శాతం జనాభా ఇక్కడ ఉ౦ది. దారిద్ర్యం కూడా ఎక్కువే!
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
ఇది OECD.ధనిక దేశం. ఐరాస యొక్క కంట్రీక్లబ్.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
మరి వాళ్ళంతా ఇక్కడ ఈ భాగ౦లో ఉన్నారు. ఆఫ్రికా మరియు OECD ఒకదానిపైన ఒకటి ఉన్నాయి.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
ఇది లాటిన్ అమెరికా. వారిదగ్గర భూమిపై ఉన్న అన్ని వనరులు ఉన్నాయి.
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
పేదల నుంచి కోటీశ్వరుల వరకూ, లాటిన్ అమెరికాలో ఉన్నారు.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
దానిపైన, మనం తూర్పు ఐరోపా, తూర్పు ఆసియా, దక్షిణాసియా దేశాలను పెట్టవచ్చు,
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
మనం ఇప్పుడు కాలం వెనక్కి వెళ్లి ఏం జరుగుతుందో చూద్దాం,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
దాదాపు 70వ దశక౦లోకి? అప్పుడు ఈ మోపురం చాలా పెద్దగా ఉంది.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
అప్పుడు కటిక దారిద్ర్యంలో బతికిన వారిలో ఎక్కువ ఆసియా వాసులే.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
అప్పుడు ప్రపంచం సమస్య ఆసియాలోని దారిద్ర్యమే! ఇప్పుడు నేను ప్రపంచాన్ని ముందుకు పోనిస్తాను,
08:14
you will see that while population increase, there are
120
469000
3000
జనాభా పెరుగుతున్నకొద్దీ
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
వందలాది మిలియన్ల ఆసియన్లు దారిద్ర్యంనుంచి బయట పడుతున్నారు, కానీ అదే సమయ౦లో కొంతమంది
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
ఇంకా దారిద్ర్యంలోకి వెళ్తున్నారు, మనం ఈరోజు చూస్తున్న తీరు ఇదే.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
ప్రపంచబ్యాంకు వారి విశ్వసనీయమైన అ౦చనాల ప్రకారం
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
రెండుప్రపంచాల మధ్య ఉన్న తేడా పూర్తిగా చెరిగి పోను౦ది.చాలా మ౦ది ప్రజలు ఈ రె౦చు ప్రప౦చాల మధ్య ఉంటారు.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
అఫ్ కోర్స్ ఇక్కడ ఉన్నది లాగరిథమ్ స్కేల్ అనుకోండి,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
కానీ మన ఆర్ధికాభివృద్ధి కాన్సెప్ట్ శాతాలలో ఉంటుంది. మనం దాన్ని
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
పర్స౦టైల్ పెరుగుదల ప్రాతిపదికన పరిశీలిద్దా౦. నేను దీన్ని మార్చి,
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
కుటుంబ ఆదాయానికి బదులు తలసరి జీడీపీ తీసుకుని, మరియు దీన్ని తిప్పి
08:48
individual data into regional data of gross domestic product,
129
503000
6000
వ్యక్తిగత డాటాను ప్రాంతీయ జీడీపీగా మార్చి,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
ఈ ప్రాంతాలను ఇలా క్రిందికి తీసుకెళ్తా, అప్పుడు కూడా బబుల్ సైజు ఇంకా జనాభాను సూచిస్తుంది.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
అప్పుడు కూడా OECD అక్కడుంటే, సబ్- సహారా ఆఫ్రికా ఇక్కడుంటు౦ది.
09:01
and we take off the Arab states there,
132
516000
3000
మరి ఇక్కణ్నుంచి అరబ్ దేశాల్ని తీసేద్దా౦,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
ఆఫ్రికా మరియు ఆసియా నుంచి వచ్చిన వాటిని తీసి, వాటిని విడిగా పెడ్దాం,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
మరి ఈ అక్షాన్ని మరింతగా పెంచి, నేను దీనికి ఇక్కడో కొత్త డైమెన్షన్ ఇవ్వడానికి
09:13
by adding the social values there, child survival.
135
528000
3000
శిశు మరణాల వ౦టి సామాజికాంశాలను కలిపాను.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
ఇప్పుడు ఈ అక్షం మీద ఆదాయం, మరియు మరో అక్ష౦ మీద జీవి౦చి ఉ౦డే అవకాశ౦ ఉన్న శిశువుల స౦ఖ్యను ఉ౦చాను.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
కొన్ని దేశాలలో, 99.7 శాతం మంది పిల్లలు ఐదు సంవత్సరాల వయసువరకు జీవి౦చి ఉంటారు;
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
ఇతర దేశాలలో, అది 70 శాతం మాత్రమే. మరియు ఇక్కడ మాత్రం అంతరం కనిపిస్తోంది
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
OECD,లాటిన్ అమెరికా,తూర్పు యూరప్, తూర్పు ఆసియా,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
అరబ్ రాష్ట్రాలు, దక్షిణాసియా మరియు సబ్-సహారా ఆఫ్రికా పిల్లల ఆయుష్షు విషయ౦లో అ౦తర౦ చాలా ఉ౦ది.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
శిశువుల మరణాలకు మరియు ఆదాయానికి చాలా దగ్గరి సంబంధం కనిపిస్తోంది.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
కానీ నన్ను సబ్-సహారా ఆఫ్రికాను విడదీసి చూస్తే, అక్కడ ఆరోగ్యం ఉ౦ది మరియు మరింత మెరుగైన ఆరోగ్య వసతులు అక్కడున్నాయి
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
నేను అక్కడికి వెళ్లి సబ్ సహారా ఆఫ్రికా దేశాలను వేర్వేరు దేశాలుగా విభజిస్తాను.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
ఇక్కడున్న బబుల్ పగిలిపోతే, ఆ చిన్న బబుల్స్ ఆ దేశం యొక్క ఆదేశ జనాభాను సూచిస్తాయి.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
అక్కడ క్రింద సియరాలియోన్ ఉంది. మారిషస్ అదిగో అక్కడ పైన ఉంది. మారిషస్
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
వాణిజ్య అంక్షలను ఎత్తివేసిన మొదటి దేశం, అందుకే వారు వాళ్ల చక్కెర అమ్ముకోగలిగారు.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
వాళ్లు టెక్స్ టైల్స్ ను, ఐరోపా మరియు ఉత్తర అమెరికా దేశాలతో సమానమైన షరతులతో అమ్మగలిగారు.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
ఆఫ్రికాలో చాలా పెద్ద అంతరాలు కనిపిస్తున్నాయి. మరియు ఘనా ఇక్కడ మధ్యలో ఉంది.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
ఇది సియరా లియోన్, వీరికి మానవత్వపు సాయ౦ అ౦దుతో౦ది.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
ఇక్కడ ఉగాండా ఉ౦ది, వీరికి అభివృద్ధి సహాయం అ౦దుతో౦ది.. ఇక్కడ మీరు పెట్టుబడులు పెట్టవచ్చు.
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
మీరు హాలీడేస్ కు వెళ్ళవచ్చు. ఆఫ్రికాలో మనకు చాలా పెద్ద ఎత్తున తేడా కనిపిస్తుంది
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
కానీ అక్కడ కూడా చాల విషయాల్లో సమానత్వం కనిపిస్తుంది. దీనిని మన౦ అరుదుగా గమనిస్తా౦.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
నేను ఇక్కడ దక్షిణాసియాను విడదీస్తాను. ఈ మధ్యలో ఉన్న పెద్ద బబుల్ భారతదేశం.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
కానీ ఆఫ్ఘనిస్తాన్ మరియు శ్రీలంకల మధ్య చాలా పెద్ద అంతరం కనిపిస్తోంది.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
నేను ఇప్పుడు అరబ్ రాష్ట్రాలను విడదీస్తాను. అవి ఎలాఉన్నాయి? ఒకే వాతావరణం, ఒకే సంస్కృతి,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
ఒకే మతం. పొరుగుదేశాల మధ్యలోకూడా పెద్ద అంతరం.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
యెమెన్లో అంతర్యుద్ధం ఉ౦ది. యునైటెడ్ అరబ్ ఎమిరేట్స్ లో డబ్బును సమానంగా వ్యయంచేశారు.
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
ఇది నిజ౦గా నిజ౦. ఆ దేశంలో పనిచేస్తున్న ఇతరదేశాల కార్మికుల పిల్లలను కూడా వారు సమాన౦గానే చూశారు.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
మనం అనుకునే దానికంటే గణాంకాలు చాలా మెరుగైనవి. చాలా మంది గణాంకాలు దండగ అనుకుంటారు.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
అక్కడ కొంత అసందిగ్దతకు తావుండొచ్చు, కానీ మనం ఆ అంతరాన్ని ఇక్కడ గమనించవచ్చు:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
కాంబోడియా, సింగపూర్. వీటి మధ్య తేడా చాలా చాలా ఎక్కువగా కనిపిస్తుంది
11:11
than the weakness of the data. East Europe:
162
646000
3000
గణాంకాల యొక్క లోపాలను మించి తేడా ఉంది. తూర్పు యూరప్:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
చాలా కాలం సోవియట్ యూనియన్ లాగా ఉంది, కానీ పది సంవత్సరాల తర్వాత
11:20
very, very differently. And there is Latin America.
164
655000
3000
చాలా మారి౦ది. లాటిన్ అమెరికా కూడా.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
ఈరోజు, లాటిన్ అమెరికాలో ఆరోగ్యకరమైన దేశంకోసం చూడడానికి క్యూబాకే వెళ్లనక్కరలేదు.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
రాబోయే కొన్ని సంవత్సరాలలో చిలీలో క్యూబాకన్నా తక్కువ శిశుమరణాల రేటు నమోదవబోతోంది.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
మనకు ఇక్కడ అత్యధికాదాయం గల OECD దేశాలున్నాయి.
11:35
And we get the whole pattern here of the world,
168
670000
4000
మరియు ఇక్కడ ప్రపంచం యొక్క మొత్తం ధోరణి తెలుసుకోగలం,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
అది దాదాపు ఇలా ఉండవచ్చు. మరి మనం దానివంక చూస్తే,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
ఇలా కనిపిస్తుంది -- ప్రపంచం, 1960లో, అది కదలడ౦ మొదలుపెట్టింది.1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
అదిగో మావోసేటుంగ్. చైనాకు ఆయన ఆరోగ్యం తెచ్చారు. తర్వాత ఆయన చనిపోయారు.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
తర్వాత డెంగ్ జియోపింగ్ వచ్చారు చైనాకు డబ్బునుతెచ్చారు, వాళ్లను మళ్లీ ప్రధాన స్రవ౦తిలోకి తీసుకొచ్చారు.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
ఇప్పుడు మనం వివిధ దేశాలు వేర్వేరు దిశల్లో ఎలా వెళ్తున్నాయో చూశా౦,
12:02
so it's sort of difficult to get
174
697000
4000
అందుకే కొద్దిగా కష్టమైన పనే
12:06
an example country which shows the pattern of the world.
175
701000
5000
ప్రపంచపు ధోరణికి ఉదాహరణగా నిలిచే దేశాన్ని కనిపెట్టడం.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
నేను మిమ్మల్ని తిరిగి 1960 ప్రాంతానికి తీసుకెళ్లాలనుకుంటున్నాను.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
నేను ఇక్కడున్న దక్షిణ కొరియాను, ఇదిగో బ్రెజిల్ తో పోల్చాలనుకుంటున్నాను,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
ఇదిగో ఇది. దీని లేబుల్ నానుంచి వెళ్లిపోయింది. మరియు నేను ఉగాండాతో పోల్చాలనుకుంటున్నా,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
అక్కడుంది. నేను దాన్ని ముందుకు పరిగెత్తిస్తా, ఇలా.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
మీరు గమనించవచ్చు దక్షిణ కొరియా ఎలా చాలా చాలా వేగంగా పురోగమిస్తుందో,
12:46
whereas Brazil is much slower.
181
741000
3000
కానీ బ్రెజిల్ చాలా నెమ్మదిగా పురోగమిస్తున్నది.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
మనం తిరిగి వెనక్కి వెళ్దాం. ఇప్పుడు మనం వాటిపైన ట్రయల్స్ వేద్దా౦, ఇలా,
12:55
you can see again that the speed of development
183
750000
4000
మీరు మళ్ళీ అభివృద్ధి వేగాన్ని గమనించవచ్చు
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
అది చాలా చాలా భిన్నంగా ఉ౦టు౦ది, కానీ దేశాలన్నీ దాదాపు ఒకేవిధంగా ఒకే రేటులో కదులుతున్నాయి
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
డబ్బు మరియు ఆరోగ్యం అంశాలలో మాత్రం, కానీ మరింత వేగంగా కదలవచ్చు అనిపిస్తోంది
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
ఒకవేళ డబ్బు కన్నా ఆరోగ్యం విషయంలో ముందుగా ఉంటే
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
అది చూపించడానికి, మీరు యునైటెడ్ అరబ్ ఎమిరేట్స్ ను గమనించండి.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
వాళ్లు ఇక్కణ్నుంచి వచ్చారు, ఒక ఖనిజాల దేశం. వాళ్లు ఆయిల్ మొత్తం వెలికితీశారు,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
డబ్బు చాలా సంపాదించారు, కానీ ఆరోగ్యాన్ని సూపర్ మార్కెట్లో కొనలేరుగా.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
మీరు ఆరోగ్యానికి పెట్టుబడి పెట్టాలి. మీరు పిల్లల్ని స్కూళ్లకు పంపించాలి.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
మీరు ఆరోగ్య సిబ్బందికి శిక్షణ ఇవ్వాలి. మీరు దేశ జనాభాను విద్యావంతుల్ని చేయాలి.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
ఈ పనిని షేక్ సయీద్ చాలా బాగానే చేశాడు.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
అందుకే ఆయిల్ ధరలు పతనమవుతున్నాగానీ, ఆయన ఈ దేశాన్ని ఈ స్థితికి తేగలిగాడు.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
అందుకే మనం దాదాపు ప్రపంచం యొక్క ప్రధాన రూపాన్ని చూడగలుగుతున్నాము,
13:43
where all countries tend to use their money
195
798000
2000
ఎక్కడైతే దేశాలన్నీ వారి ధనాన్ని ఉపయోగించగలుగుతున్నాయో
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
గతంలో ఖర్చుచేసినదానికన్నా ఇప్పుడు మెరుగ్గా ఖర్చు పెడుతున్నాయి.
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
దేశాలయొక్క సగటు గణాంకాలను పరిశీలించినప్పుడు, అవి ఇలా కనిపిస్తున్నాయి.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
సగటు గణాంకాల్ని ఉపయోగించుకోవడం చాలా ప్రమాదకరమైనది, ఎందుకంటే అక్కడ
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
దేశాల్లోని ప్రా౦తాల మధ్య చాలా తారతమ్యాలు ఉన్నాయి.అందుకే మీరు అక్కడికి వెళ్లి చూసినట్లయితే, మీకు
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
ఇప్పుడు ఉగాండా 1960లో దక్షిణకొరియా ఉన్న స్థితిలో ఉంది. నేను ఉగాండాను విడదీసిచూసినట్లయితే,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
దాని లోపల కూడా తారతమ్యాలున్నాయి. ఇవి ఉగాండాలోని విభజనలు.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
ధనవంతులైన ఇరవైశాతం ఉగాండన్లు ఇక్కడ ఉన్నారు.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
బీదవాళ్ళు ఇదిగో ఇక్కడ క్రింద ఉన్నారు. అదేవిధంగా, దక్షిణాఫ్రికాను చేస్తే, అది ఇలా ఉంది.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
నేను గనుక క్రిందికి వెళ్లి నైగర్ ను చూస్తే, ఎక్కడైతే తీవ్రమైన క్షామం పరిస్థితులున్నాయో,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
చివరిగా, అది ఇలా ఉంది. ఇరవై శాతం ఉన్న నైగర్లు ఇక్కద ఉన్నారు,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
మరియు దక్షిణాఫ్రికాలోని ఇరవైశాతం ధనికులు ఇక్కడున్నారు,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
మరి అందుకే ఆఫ్రికాలో సమస్యల పరిష్కారానికి ఏం చర్యలుకావాలో అని అనుకుంటుంటాం.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
ప్రపంచంలో ఉన్నవన్నీ ఆఫ్రికాలోనూ ఉన్నాయి. కానీ మీరు అందరికీ
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
హెచ్ఐవీ (మందులు) అందుబాటులో ఉండడం గురించి ఆలోచించలేరు, ఈ భాగంలో వారికి
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
ఇక్కడ క్రింది వారికి అమలుపర్చిన అదే స్ట్రాటజీని అమలుచేయలేం. ప్రపంచాన్ని అభివృద్ది చేయడానికి
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
పథకాల రూపకల్పన ఎన్నో అంశాలపై ఆధారపడి ఉంటుంది, వాటిని మనం ఇక్కడ ప్రాంతీయస్థాయి
15:00
on regional level. We must be much more detailed.
212
875000
3000
అధారంగా చేయలేము. మనం మరింత బాగా లోతులకు వెళ్లి అధ్యయనం చేయాలి.
15:03
We find that students get very excited when they can use this.
213
878000
4000
విద్యార్ధులకు దీనిని ఉపయోగించుకునే అవకాశముంటే వారికి చాలా ఆసక్తికలుగుతుంది.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
ఇంకా విధాన నిర్ణేతలు మరియు కార్పోరేట్ సెక్టార్ కూడా
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
ప్రపంచం ఎలా మారుతోందో చూడ్డానికి ఆసక్తి చూపుతారు.మరి ఇప్పుడు అదెందుకు జరగడం లేదు?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
మన దగ్గరున్న గణాంకాలను ఎందుకు ఉపయోగించుకోవట్లేదు మనం? మనదగ్గర ఐరాస గణాంకాలున్నాయి,
15:20
in the national statistical agencies
217
895000
2000
జాతీయ గణాంకాల ఆయా దేశాల సంస్థలదగ్గరున్నాయి
15:22
and in universities and other non-governmental organizations.
218
897000
4000
యూనివర్సిటీల దగ్గర, ఇతర ప్రభుత్వేతర సంస్థల వద్దా ఈ గణాంకాలున్నాయి.
15:26
Because the data is hidden down in the databases.
219
901000
2000
ఈ గణాంకాలన్నీ డేటాబ్యాంకుల్లో భద్రంగా దాచిపెట్టబడి ఉన్నాయి.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
కానీ ప్రజలిక్కడున్నారు, ఇంటర్ నెట్ ఉంది, కానీ మన౦ వాటిని సమర్ధవంతంగా ఉపయోగించుకోలేకపోతున్నాం.
15:33
All that information we saw changing in the world
221
908000
3000
మనం చూసిన మారుతున్న ప్రపంచపు సమాచారంలో
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
ప్రభుత్వ౦ సేకరి౦చిన గణాంకాలు ఇ౦దులోకలపలేదు. అక్కడ కొన్ని ఇలాంటి వెబ్ పేజీలున్నాయి.
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
ఈ పేజీలలో కొన్ని మాత్రం డాటాబేస్ లనుంచి అవసరమైన సమాచార౦ తీసుకొంటుంటాయి,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
కానీ కొ౦దరు ప్రబుద్ధులు మాత్రం వీటికి రేట్లు కడతారు, మూర్ఖపు పాస్ వర్డులను పెట్టి బోరింగ్ గణాంకాలను చేస్తారు.
15:51
(Laughter) (Applause)
225
926000
3000
(పెద్దగా నవ్వులు). (చప్పట్లు).
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
ఇది ఏ మాత్రం పనిచేయదు. కాబట్టి మనకేం కావాలి? మనదగ్గర డాటాబేసులున్నాయి.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
మనకుకొత్తగా డేటాబేసులు అవసరం లేదు. మనదగ్గర అద్భుతమైన టూల్స్ ఉన్నాయి,
16:02
and more and more are added up here. So we started
228
937000
3000
మరియు మరికొన్ని ఇలా జతచేరుతున్నాయి. అందుకే మేం ఆరంభించాం
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
ఒక లాభాపేక్షలేని కార్యక్రమాన్ని. మేం దీన్ని- డేటాను డిజైన్ తో సంధానిస్తున్నాం --
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
మేం దీన్ని గ్యాప్ మైండర్ అని పిలుస్తున్నాం, లండన్ అండర్ గ్రౌండ్ లో వెళ్లేప్పుడు, మిమ్మల్ని
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
" మైండ్ ద గ్యాప్ (స్థలం వదలండి)" అంటుంటారు, అలాగే దీనికి గ్యాప్ మైండర్ సరైనదని మా భావన.
16:16
And we started to write software which could link the data like this.
232
951000
4000
ఇలా డేటాను అనుసంధానించే సాఫ్ట్ వేర్ రాయడం మొదలుపెట్టాము.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
మరియు అదేమంత కష్టమైన పనికాదు. దానికి కొన్ని సంవత్సరాలు పట్టింది, అలాగే మేము కొన్ని యానిమేషన్స్ రూపొందించాం
16:26
You can take a data set and put it there.
234
961000
2000
మీరు ఒక డేటా సెట్ ను తీసుకొని ఇలా పెట్టండి.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
మేము ఐరాస డేటాకు స్వాతంత్ర్యం కల్పిస్తున్నాం, అలాగే కొన్ని ఐరాస సంస్థలకు కూడా.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
కొన్ని దేశాలు వారి డేటాబేస్ లను ప్రపంచం వినియోగించుకొనేందుకు అనుమతిస్తున్నాయి,
16:37
but what we really need is, of course, a search function.
237
972000
3000
కానీ మనకు కావాల్సినదేమిటంటే, అఫ్ కోర్స్ ఒక సెర్చ్ ఫంక్షన్.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
ఆ సెర్చ్ ఫంక్షన్ ద్వారా ఈ డేటాను సెర్చబుల్ ఫార్మాట్లోకి కాపీ చేయవచ్చు
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
మనం ప్రపంచం లోకి వెళ్లామనుకోండి. మనం ఏం వింటాం?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
నేను ప్రధాన గణాంకాల యూనిట్లపై ఆంత్రోపాలజీ అధ్యయన౦ చేశానని అందరూ అంటారు,
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"అది సాధ్యంకాదు. అలా చేయలేము. మన సమాచారం ఎంత ప్రత్యేకమైనదంటే
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
అది చాల లోతైనది, అందుకే ఇతర విషయాలను వెతికినట్లుగా మన్౦ దాన్ని వెతకలేము.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
అందుకే సమాచారాన్ని విద్యార్ధులకు స్వేచ్చగా అందివ్వలేము, అలాగే ప్రపంచ౦లోని వ్యాపారవేత్తలకు కూడా."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
ఇలా౦టి స్వేచ్ఛా సమాచార స్రవ౦తి కోసమే మన ప్రయత్న౦.
17:08
The publicly-funded data is down here.
245
1003000
3000
ప్రజల డబ్బుతో తయారైన గణాంకాలేమో ఇలా క్రింద ఉన్నాయి.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
కానీ మనం నెట్ లో మాత్రం ఇలాంటి పూలు పూయాలనుకుంటాం.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
మనం చేయాల్సింది వాటిని వెతికితే దొరికే రూపంలోకి మార్చి, ప్రజలు ఉపయోగించుకునేలా చేయడం
17:19
the different design tool to animate it there.
248
1014000
2000
వాటిని వివిధ డిజైన్ టూల్స్ తో యానిమేట్ అలా చేయడం.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
ఈ స౦దర్భ౦గా మీకో శుభవార్త. నా దగ్గరున్న ఆ శుభవార్త ఏమిటంటే, ఇప్పటి
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
ఐరాస గణాంకాల అధిపతి, అది అసాధ్యం అనడం లేదు.
17:30
He only says, "We can't do it."
251
1025000
2000
అతను కేవలం " మా వల్ల కాదు" అని మాత్రమే అంటున్నారు.
17:32
(Laughter)
252
1027000
4000
(నవ్వులు).
17:36
And that's a quite clever guy, huh?
253
1031000
2000
ఆయన చాలా తెలివైన వ్యక్తికదా?
17:38
(Laughter)
254
1033000
2000
(నవ్వులు).
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
అందుకే రాబోయే రోజుల్లో గణాంకాల్లో ఎన్నో వింతలు చూడనున్నాం
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
మనం ఆదాయ విస్తరణ వివరాల్ని కొత్త విధాల్లో చూడబోతాం.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
1970 లో ఇది చైనాలో ఆదాయం విస్తరణ ఇది.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
1970 లో ఇది అమెరికాలో ఆదాయం విస్తరణ ఇది.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
అసలు ఒకదాన్ని ఒకటి కవర్ చేయడమేలేదు, అసలే లేదు. మరి ఏం జరిగింది?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
ఇందులో అసలు ఏం జరిగింది: ఆ చైనా ఆదాయం పెరుగుతోంది, ఆ రెండూ ఎంతమాత్రం సమానంకాదు,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
మరి ఇక్కడ కనిపిస్తున్న చైనా ఆదాయ౦ , అమెరికాను దాటిపోయి౦ది.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
దాదాపు దెయ్యం లాగా, కదూ, ఆ?
18:14
(Laughter)
263
1069000
2000
(నవ్వులు).
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
అది చాలా భయంకరంగా ఉంది.కానీ ఇలాంటి సమాచారం ఉండడం చాలా ముఖ్యమని నేననుకుంటున్నాను.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
మనం నిజంగా వాటిని చూడాలి. చూసి ఊరుకోకుండా,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
నేను ప్రతీ వేయిమందికీ ఇంటర్ నెట్ యూజర్స్ గురించి చెప్పి ముగిస్తాను.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
ఈ సాఫ్ట్ వేర్ లో, మనం వివిధ దేశాలనుంచీ చాలా సులభంగా 500 వేరియబుల్స్ ఎంపికచేసుకోవచ్చు.
18:42
It takes some time to change for this,
268
1097000
4000
దీనికి మారేందుకు చాలా సమయం పడుతుంది,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
కానీ ఆ యాక్సిస్ లపైన, మీరు కోరుకున్న వేరియబుల్స్ చాలా సులభంగా ఎంపికచేసుకోవచ్చు.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
కానీ విషయమేమిటంటే మనం డేటాబేస్ లను ఉచితంగా పొందవచ్చు.
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
వాటిని సెర్చబుల్ చేయవచ్చు, రెండుక్లిక్ లలో , వాటిని పొందవచ్చు,
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
గ్రాఫిక్ ఫార్మాట్లలోకి మార్చి వీటిని మీరు సులభంగా అర్ధం చేసుకోవచ్చు.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
అయితే, గణాంకనిపుణులకు అది ఇష్టం లేదు, వారి ఉద్దేశం ప్రకారం ఇవి
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
నిజాన్ని చూపించవు; మనకు గణాంకాల, విశ్లేషణాత్మక పద్ధతులు కావాలి.
19:16
But this is hypothesis-generating.
275
1131000
3000
కానీ ఇది ఊహాత్మకంగా రూపొందించింది.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
నేను ఇప్పుడు ప్రపంచం తో ముగిస్తాను. అక్కడ, ఇంటర్ నెట్ వస్తోంది.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
ఇంటర్ నెట్ వినియోగదారుల సంఖ్య ఇలా పోతోంది. ఇది తలసరి జీడీపీ.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
మరియు ఇప్పుడు నవీన టెక్నాలజీ వస్తోంది, కానీ ఆశ్చర్యకరంగా, ఎంత బాగా
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
దేశాల యొక్క ఆర్ధిక పరిస్థితులకు సరిపోతుంది. అందుకే వంద డాలర్ల
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
కంప్యూటర్ చాలా ముఖ్యమైనది. కానీ అది కొత్త టెండెన్సీ.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
అది చూస్తే ప్రపంచం సమానంగా మారుతున్నట్లు లేదూ? ఈ దేశాలు
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
వారి ఆర్ధిక పెరుగుదలకంటే ఎక్కువ ఎదుగుతున్నాయి మరియు రాబోయే సంవత్సరాలలో వాటిని
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
గమనించడం ఇంకా ఆసక్తికరం, కానీ నేను పబ్లిక్ ఫండెడ్ డాటాతో మీరు
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
అలా చూడగలగాలన్నదే నా ఆశ. మీ అందరికీ కృతజ్ఞతలు.
19:53
(Applause)
285
1168000
3000
చప్పట్లు
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