TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling โชว์สถิติที่ยอดเยี่ยมที่สุดที่คุณเคยเห็นมา
Filmed:
Readability: 3.6
14,386,844 views
คุณไม่เคยเห็นการแสดงข้อมูลแบบนี้มาก่อน กับความรวดเร็วและน่าทึ่งของผู้สื่อข่าวกีฬา ผู้รอบรู้สถิติ Hans Rosling ได้หักล้างความคิดผิดๆเกียวกับ โลกที่กำลังพัฒนา
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
ราว 10 ปีก่อน ผมได้รับงานสอนวิชา global development
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
ให้กับนักศึกษาปริญญาตรีชาวสวีเดน ซึ่งเป็นช่วงหลังจากที่ผมได้ใช้เวลา
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
ประมาณ 20 ปี ร่วมกับสถาบันในแอฟริกาเพื่อศึกษาเรื่องความอดอยาก
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
ในแอฟริกา ผมจึงคาดหวังว่า จะรู้เรื่องเกี่ยวกับโลกบ้าง
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
และผมได้เริ่มทำงานที่มหาวิทยาลัยแพทย์ Karolinska Institute ของเรา
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
ภาควิชาปริญญาตรีที่ชื่อ Global Health แต่เมื่อคุณมีโอกาสนั้น
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
คุณจะรู้สึกประหม่าอยู่บ้าง ผมคิดว่านักศึกษาเหล่านี้
00:53
coming to us actually have the highest grade you can get
7
28000
3000
ที่เข้ามาเรียนที่มหาวิทยาลัยของเรา มีผลการเรียนสูงสุด
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
ในระบบวิทยาลัยของสวีเดน พวกเขาน่าจะมีความรู้เต็มเปี่ยม
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
ในเรื่องที่ผมจะสอนพวกเขา ผมจึงได้ทำการทดสอบเมื่อพวกเขามาถึง
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
และหนึ่งในคำถามที่ผม ได้เรียนรู้อย่างมากก็คือคำถามนี้
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"ประเทศใดในห้าคู่นี้มีอัตราการเสียชีวิต ของเด็กมากว่าคู่ของตน"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
แล้วผมผมก็จับคู่ประเทศ เพื่อให้แต่ละคู่ของประเทศนั้น
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
มีประเทศหนึ่งที่มีอัตราการเสียชีวิตของเด็ก มากว่าคู่ของตนเป็นสองเท่าตัว
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
หมายความว่า มีความแตกต่าง มากกว่าความไม่แน่นอนของข้อมูล
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
ผมจะเฉลยให้เลยว่าคือประเทศตุรกี
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
ซึ่งมีอัตราสูงสุด รวมถึงโปแลนด์ รัสเซีย ปากีสถาน และ แอฟริกาใต้
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
และนี่เป็นผลการทดสอบ ของนักศึกษาชาวสวีเดน ซึ่งทำให้ผม
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
ได้ช่วงความเชื่อมั่นของข้อมูล ซึ่งค่อนข้างแคบ และผมก็ดีใจ
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
แน่นอน มีการตอบถูก 1.8 ข้อ จากความน่าจะเป็น 5 ข้อ ซึ่งหมายความว่า
01:41
there was a place for a professor of international health --
20
76000
3000
มีตำแหน่งสำหรับศาสตราจารย์สอนภาควิชา international health --
01:44
(Laughter) and for my course.
21
79000
2000
(หัวเราะ) และสำหรับวิชาของผม
01:46
But one late night, when I was compiling the report
22
81000
4000
แต่กลางดึกคืนหนึ่ง เมื่อผมทำการรวบรวมรายงาน
01:50
I really realized my discovery. I have shown
23
85000
4000
ผมได้ตระหนักถึงสิ่งที่ผมค้นพบจริงๆ ผมพบว่า
01:54
that Swedish top students know statistically significantly less
24
89000
5000
นักศึกษาชาวสวีเดนระดับชั้นนำนั้น รู้เกี่ยวกับโลกในเชิงสถิติน้อยกว่า
01:59
about the world than the chimpanzees.
25
94000
2000
ลิงชิมแปนซีอย่างมากมาย
02:01
(Laughter)
26
96000
2000
(หัวเราะ)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
เพราะว่าลิงชิมแปนซี จะตอบถูกสักครึ่งหนึ่งหากผมให้
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
กล้วย 2 ใบกับศรีลังกาและตุรกี ลิงคงจะตอบถูกซักครึ่งหนึ่ง
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
แต่นักเรียนตอบได้ไม่ถึงครึ่ง สำหรับผมแล้วปัญหาไม่ใช่ความไม่รู้
02:14
it was preconceived ideas.
30
109000
3000
แต่เป็นเพราะความเชื่อผิดๆ
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
ผมยังได้ทำการศึกษาที่ผิดหลักศีลธรรม เกี่ยวกับศาสตราจารย์ที่ Karolinska Institute
02:21
(Laughter)
32
116000
1000
(หัวเราะ)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
-- ซึ่งเป็นผู้มอบรางวัลโนเบลสาขาอายุรศาสตร์
02:24
and they are on par with the chimpanzee there.
34
119000
2000
ซึ่งพวกเขาก็อยู่ในระดับเดียวกับชิมแปนซี
02:26
(Laughter)
35
121000
3000
(หัวเราะ)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
สิ่งนี้ทำให้ผมรู้ว่า มีความจำเป็นที่จะต้องสื่อสารกันอย่างจริงจัง
02:33
because the data of what's happening in the world
37
128000
3000
เพราะข้อมูลของสิ่งที่กำลังเกิดขึ้นในโลกนี้
02:36
and the child health of every country is very well aware.
38
131000
3000
และสุขภาพของเด็กๆ ในทุกๆ ประเทศนั้น เป็นเรื่องสามัญที่ทุกคนรู้
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
เราพัฒนาโปรแกรมนี้ซึ่งแสดงผลออกมาดังนี้ วงกลมแต่ละวงคือประเทศ
02:44
This country over here is China. This is India.
40
139000
6000
ประเทศตรงนี้คือประเทศจีน ตรงนี้คือประเทศอินเดีย
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
ขนาดของวงกลมคือจำนวนประชากร และบนแกนนี้ผมใส่อัตราการเจริญพันธุ์
02:56
Because my students, what they said
42
151000
3000
เนื่องจากนักศึกษาของผม สิ่งที่พวกเขาพูด
02:59
when they looked upon the world, and I asked them,
43
154000
2000
เมื่อพวกเขามองดูโลก แล้วผมได้ถามพวกเขาว่า
03:01
"What do you really think about the world?"
44
156000
2000
"คุณมีความคิดยังไงเกี่ยวกับโลก"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
อันดับแรก ผมได้ค้นพบว่าตำราเรียน ก็คือหนังสือการ์ตูนดีๆ นี่เอง
03:07
(Laughter)
46
162000
1000
(หัวเราะ)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
แล้วพวกเขาตอบว่า "โลกนี้ยังคงแบ่งเป็น "เรา" กับ "เขา"
03:11
And we is Western world and them is Third World."
48
166000
3000
เราคือประเทศโลกตะวันตก และเขาคือประเทศโลกที่สาม
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
ผมถามว่า "ประเทศโลกตะวันตกที่คุณว่ามันคืออะไร"
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"ก็คือประเทศที่มีอายุยืนและมีครอบครัวเล็ก ส่วนประเทศโลกที่สามมีอายุสั้นและครอบครัวใหญ่"
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
นี่คือสิ่งที่ผมแสดงได้ที่นี่ ผมจัดอัตราการเจริญพันธุ์ ไว้ที่นี่: จำนวนเด็กต่อผู้หญิงหนึ่งคน
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
จำนวนเด็ก 1 2 3 4 สูงถึง 8 คน ต่อผู้หญิงหนึ่งคน
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
เรามีข้อมูลที่ดีมากตั้งแต่ปี 1962 – 1960 ในเรื่องขนาดของครอบครัวในทุกประเทศ
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
ข้อมูลที่ผิดพลาดมีน้อย ผมใส่อายุขัยเฉลี่ยไว้ที่แกนนี้
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
ตั้งแต่ 30 ปีในบางประเทศ จนถึง 70 ปี
03:45
And 1962, there was really a group of countries here
56
200000
3000
และในปี 1962 จริงๆ แล้ว มีกลุ่มประเทศอยู่ตรงนี้
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
เป็นประเทศอุตสาหกรรม และมีครอบครัวขนาดเล็กและมีอายุยืน
03:53
And these were the developing countries:
58
208000
2000
และประเทศเหล่านี้คือประเทศที่กำลังพัฒนา
03:55
they had large families and they had relatively short lives.
59
210000
3000
พวกเขามีครอบครัวที่ใหญ่ และมีอายุค่อนข้างสั้น
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
มีอะไรเกิดขึ้นหลังนับจากปี 1962 เราต้องการจะเห็นความเปลี่ยนแปลง
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
นักศึกษาพูดได้ถูกต้องหรือไม่ ยังมีกลุ่มประเทศ 2 แบบอยู่หรือไม่
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
หรือประเทศที่กำลังพัฒนาเหล่านี้ มีครอบครัวเล็กลง และอยู่ตรงนี้
04:09
Or have they got longer lives and live up there?
63
224000
2000
หรือพวกเขามีอายุยืนยาวขึ้น และย้ายมาอยู่ตรงนั้น
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
มาดูกัน เราหยุดโลกไว้ที่นี่ นี่คือสถิติทั้งหมดของสหประชาชาติ
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
ที่มีอยู่ เอาล่ะ คุณเห็นมั้ย
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
ประเทศจีนอยู่นั้น เคลื่อนที่ สู่ความมีสุขภาพดีตรงนั้น พัฒนาขึ้นตรงนั้น
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
ประเทศลาตินอเมริกาสีเขียวทั้งหมด กำลังเคลื่อนไปสู่ครอบครัวที่เล็กลง
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
และสีเหลืองทางนี้คือกลุ่มประเทศอาหรับ
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
พวกเขามีครอบครัวที่ใหญ่ขึ้น ไม่สิ พวกเขามีชีวิตยืนยาวขึ้น แต่ไม่มีครอบครัวใหญ่ขึ้น
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
กลุ่มประเทศแอฟริกาคือวงกลมสีเขียว ข้างล่างนี้ พวกเขายังคงอยู่ที่นี่
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
นี่คืออินเดีย ส่วนอินโดเนเซีย นั้นเคลื่อนไหวค่อนข้างเร็ว
04:36
(Laughter)
72
251000
1000
(หัวเราะ)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
และในยุค 80 นี้ประเทศบังคลาเทศยังคงอยู่ ในส่วนเดียวกับกลุ่มประเทศแอฟริกาทางนั้น
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
แต่ตอนนี้ ประเทศบังคลาเทศ ได้เกิดปาฏิหาริย์ขึ้นในช่วงทศวรรษที่ 80
04:43
the imams start to promote family planning.
75
258000
3000
โต๊ะอิหม่ามเริ่มสนับสนุนการวางแผนครอบครัว
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
พวกเขาขยับไปอยู่ที่มุมนั่น และในช่วงทศวรรษ ที่ 90 เรามีการระบาดร้ายแรงของเชื้อ HIV
04:51
that takes down the life expectancy of the African countries
77
266000
3000
ซึ่งลดค่าอายุขัยเฉลี่ย ของกลุ่มประเทศแอฟริกาลง
04:54
and all the rest of them move up into the corner,
78
269000
4000
และประเทศอื่นๆ ก็ขยับขึ้นไปสู่หัวมุม
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
ที่เรามีอายุยืนและมีครอบครัวเล็ก แล้วเราก็ มีโลกใบใหม่ที่แตกต่างไปจากเดิมโดยสิ้นเชิง
05:02
(Applause)
80
277000
13000
(เสียงปรบมือ)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
ขอให้ผมทำการเปรียบเทียบโดยตรง ระหว่างสหรัฐอเมริกาและเวียตนาม
05:20
1964: America had small families and long life;
82
295000
5000
ในปี 1964 อเมริกา มีครอบครัวเล็กและมีชีวิตยืนยาว
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
เวียตนามมีครอบครัวใหญ่และมีชีวิตสั้น และนี่คือสิ่งที่เกิดขึ้น
05:29
the data during the war indicate that even with all the death,
84
304000
6000
ข้อมูลในช่วงสงครามบ่งบอกว่า แม้จะมีจำนวนคนตายทั้งหมดมาก
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
แต่มีการพัฒนาของอายุขัยเฉลี่ย ในช่วงท้ายของปี
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
การวางแผนครอบครัวได้เริ่มต้นขึ้นในเวียตนาม และพวกเขามีครอบครัวที่เล็กลง
05:41
And the United States up there is getting for longer life,
87
316000
3000
และสหรัฐข้างบนนั้นเริ่มมีอายุยืนยาวขึ้น
05:44
keeping family size. And in the '80s now,
88
319000
3000
ด้วยการควบคุมขนาดครอบครัว และในยุค 80
05:47
they give up communist planning and they go for market economy,
89
322000
3000
พวกเขาเลิกการวางแผนแบบคอมมิวนิสต์ และเริ่มเข้าสู่เศรษฐกิจการตลาด
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
และระบบเคลื่อนที่เร็วกว่าชีวิตทางสังคม และในปัจจุบันนี้ เรามี
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
อายุขัยเฉลี่ยและขนาดครอบครัว
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
ในเวียตนาม ปี 2003 นี้เ ท่ากับในสหรัฐฯ ปี 1974 ช่วงสงครามสิ้นสุด
06:06
I think we all -- if we don't look in the data --
93
341000
4000
ผมคิดว่าเราทุกคน -- หากไม่ดูข้อมูลแล้ว --
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
เราประเมินการเปลี่ยนแปลง ขนานใหญ่ในเอเชียต่ำเกินไป ซึ่งมี
06:14
in social change before we saw the economical change.
95
349000
4000
การเปลี่ยนทางสังคมก่อนที่เรา จะเห็นการเปลี่ยนทางเศรษฐกิจ
06:18
Let's move over to another way here in which we could display
96
353000
5000
ลองไปอีกวิธีการหนึ่งทางนี้ ที่เราสามารถแสดง
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
การกระจายรายได้ในโลก นี่คือ การกระจายรายได้ของประชากรในโลก
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
1 ดอลลาร์ 10 ดอลลาร์ หรือ 100 ดอลลาร์ ต่อวัน
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
ไม่มีช่องว่างระหว่างคนจนกับคนรวยอีกต่อไป ความเชื่อนี้เป็นแค่ตำนาน
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
มีเนินอยู่ตรงนี้ แต่ทั้งหมดนี้คือผู้คนทั้งหมด
06:44
And if we look where the income ends up -- the income --
101
379000
4000
และถ้าเราดูที่ๆ รายได้ตกอยู่ -- รายได้ --
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
นี่คือรายได้ต่อปีของทั้งโลก 100% และคนรวยที่สุด 20%
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
ซึ่งมีรายได้เป็น 74% ของรายได้ทั้งโลก และคนจนที่สุดจำนวน 20%
07:01
they take about two percent. And this shows that the concept
104
396000
5000
มีรายได้เป็น 2% ของรายได้ทั้งโลก ซึ่งแสดงให้เห็นว่าหลักการ
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
ของประเทศที่กำลังพัฒนานั้นไม่น่าเป็นไปได้ ซึ่งเราคิดถึงการให้ความช่วยเหลือ
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
เช่นคนส่วนนี้ให้ความช่วยเหลือคนตรงส่วนนี้ แต่ในระหว่างกลาง
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
เรามีประชากรของโลกมากที่สุด และพวกเขา มีรายได้เป็น 24% ของรายได้ทั้งโลก
07:19
We heard it in other forms. And who are these?
108
414000
4000
เราเคยได้ยินในรูปแบบอื่น และคนเหล่านี้เป็นใครกัน
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
อยู่ในประเทศใดบ้าง ผมสามารถแสดงแอฟริกาให้คุณดูได้
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
นี่คือแอฟริกา มีจำนวนประชากรเป็น 10% ของโลกส่วนใหญ่อยู่ในความยากจน
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
นี่คือ OECD ประเทศที่ร่ำรวย สโมสรของสหประชาชาติ
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
พวกเขาอยู่ด้านนี้ มีความเหลื่อมล้ำกัน อย่างมากระหว่างแอฟริกากับ OECD
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
และนี่คือลาตินอเมริกา ซึ่งมีทุกสิ่งทุกอย่างบนโลกนี้
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
จากผู้คนที่จนที่สุดถึงผู้คนที่รวยที่สุด ในลาตินอเมริกา
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
และนอกเหนือจากนั้น เราสามารถ ใส่ยุโรปตะวันออก และเอเชียตะวันออก
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
แล้วเราใส่เอเชียใต้เข้าไป และเมื่อเรา ย้อนไปในอดีตแล้วจะเป็นอย่างไร
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
ถึงช่วงปี 1970 ตอนนั้นเนินจะค่อนข้างสูงกว่า
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
และเราเห็นว่าคนจนสาหัสส่วนใหญ่ คือชาวเอเชีย
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
ปัญหาของโลกคือความยากจนในเอเชีย และหากผมปล่อยให้เวลาในโลกผ่านไป
08:14
you will see that while population increase, there are
120
469000
3000
คุณจะเห็นว่าในขณะที่จำนวนประชากรเพิ่มขึ้น จะมี
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
ประชากรกว่าร้อยล้านคนในเอเชีย ที่พ้นจากความยากจน และบางราย
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
เข้าสู่ความยากจน และนี่คือรูปแบบ ที่เรามีอยู่ในปัจจุบัน
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
และการคาดการณ์ที่ดีที่สุดจากธนาคารโลก ก็คือ สิ่งนี้จะเกิดขึ้น
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
และเราจะไม่มีโลกที่ถูกแบ่งแยก เราจะมีโลกที่ผู้คนส่วนใหญ่อยู่ตรงกลาง
08:31
Of course it's a logarithmic scale here,
125
486000
2000
แน่นอนนี่คือการวัดระดับแบบลอการิธึ่ม
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
แต่แนวคิดด้านเศรษฐกิจของเราคือ การเติบโตพร้อมเปอร์เซ็นต์ เมื่อเราดูข้อมูล
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
ในฐานะความเป็นไปได้ของการเพิ่มเปอร์เซ็นต์ ถ้าผมเปลี่ยนตรงนี้ แล้ว
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
เอาค่า GDP ต่อหัวแทนที่จะใช้รายได้ครอบครัว แลัวผมเปลี่ยน
08:48
individual data into regional data of gross domestic product,
129
503000
6000
ข้อมูลของแต่ละคนไปเป็นข้อมูลระดับภูมิภาค ของผลิตภัณฑ์มวลรวมภายในประเทศ
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
และนำภูมิภาคนี้มาไว้ที่นี่ ขนาดของวงกลม ยังคงเป็นจำนวนประชากรอยู่
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
คุณมีกลุ่มประเทศ OECD ตรงนั้น แล้วมีกลุ่ม ประเทศแอฟริกาต่อจากทะเลทรายซาฮาร่าตรงนั้น
09:01
and we take off the Arab states there,
132
516000
3000
และเราแบ่งชาติอาหรับออกมาไว้ตรงนั้น
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
ซึ่งมาจากทั้งแอฟริกาและเอเชีย แล้วเราเอาไปไว้แยกต่างหาก
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
เราสามารถขยายแกนนี้ได้ แล้วผมจะเพิ่มมิติใหม่ที่ตรงนี้
09:13
by adding the social values there, child survival.
135
528000
3000
โดยการเพิ่มคุณค่าทางสังคมตรงนั้น คืออัตราการรอดชีวิตของเด็ก
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
ตอนนี้ ผมมีเงินอยู่บนแกนนั้น และมีความ เป็นไปได้ของการรอดชีวิตของเด็กตรงนั้น
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
ในบางประเทศ มีอัตราการรอดชีวิต ของเด็กจนกระทั่งอายุได้ 5 ปี สูงถึง 99.7%
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
ส่วนประเทศอื่นมีเพียง 70 และดูหมือนจะมีช่องว่างอยู่ตรงนี้
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
ระหว่าง OECD ลาตินอเมริกา ยุโรปตะวันออก เอเชียตะวันออก
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
ชาติอาหรับ เอเชียใต้ และกลุ่มประเทศแอฟริกา ต่อจากทะเลทรายซาฮาร่า
09:37
The linearity is very strong between child survival and money.
141
552000
5000
ค่าความคลาดเคลื่อนเชิงเส้นระหว่าง อัตราการรอดชีวิตของเด็กและเงินค่อนข้างชัดเจน
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
แต่เมื่อผมลองแยกกลุ่มประเทศแอฟริกา ต่อจากทะเลทรายซาฮาร่าออก ซึ่งมีสุขภาพที่ดีตรงนั้น
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
ผมไปที่นี่ แล้วแยกกกลุ่มประเทศแอฟริกาต่อจากทะเลทรายซาฮาร่าออกเป็นแต่ละประเทศ
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
ซึ่งเมื่อแตกออก ขนาดของวงกลมประจำประเทศ คือขนาดของจำนวนประชากร
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
ประเทศเซียร์ราลีโอนอยู่ข้างล่างนี้ มอริเทียสอยู่บนนั้น มอริเทียสเป็นประเทศแรก
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
ที่รอดพ้นจากการกีดกั้นการค้า และพวกเขาสามารถขายน้ำตาลได้
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
พวกเขาสามารถขายสินค้าสิ่งทอได้ในข้อตกลง ที่เท่าเทียมกับผู้คนในยุโรปและในอเมริกาเหนือ
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
มีความแตกต่างใหญ่หลวงระหว่างประเทศในแอฟริกา และมีประเทศกาน่าอยู่ตรงกลาง
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
ในเซียร์ราลีโอน ความช่วยเหลือด้านมนุษยธรรม
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
ในอูกานด้า การช่วยเหลือด้านการพัฒนา เหมาะแก่การลงทุนตรงนั้น
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
กลายเป็นประเทศท่องเที่ยวไป มีความแตกต่างมหาศาล
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
ภายในแอฟริกาซึ่งเราไม่ค่อยจะทำ นั่นคือ เท่าเทียมกันทุกอย่าง
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
ผมแยกเอเชียใต้ตรงนี้ อินเดียคือวงกลมใหญ่ตรงกลาง
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
แต่ความแตกต่างอย่างมากระหว่าง ประเทศอัฟกานิสถานและประเทศศรีลังกา
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
ผมสามารถแยกชาติอาหรับออกจากกัน พวกเขาเป็นอย่างไร ภูมิอากาศแบบเดียวกันวัฒนธรรมเดียวกัน
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
ศาสนาเดียวกัน แต่มีความแตกต่างกันมาก แม้กระทั่งระหว่างประเทศเพื่อนบ้าน
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
ในประเทศเยเมน เกิดสงครามกลางเมือง สหรัฐอาหรับเอมิเรตส์ มีเงินระดับเท่าๆ กันและนำไปใช้อย่างฉลาด
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
ต่างจากในความเชื่อ และนั่นรวมถึงลูกๆ ของคนงานต่างด้าวที่อยู่ในประเทศด้วย
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
ข้อมูลมักจะดีกว่าที่คุณคิด หลายๆ คน บอกว่าข้อมูลเป็นสิ่งไม่ดี
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
มันมีช่วงข้อมูลที่ไม่แน่นอน แต่เรา ก็สามารถเห็นความแตกต่างได้ดังนี้
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
กัมพูชา สิงคโปร์ มีความแตกต่างมากกว่า
11:11
than the weakness of the data. East Europe:
162
646000
3000
ความอ่อนแอของข้อมูล ทางด้านยุโรปตะวันออก
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
เศรษฐกิจของโซเวียตเป็นเวลานาน แต่พวกเขาก็หลุดพ้นออกมาหลังจาก 10 ปี
11:20
very, very differently. And there is Latin America.
164
655000
3000
แตกต่างจากเดิมมากๆ ส่วนนี่คือลาตินอเมริกา
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
ในปัจจุบันเราไม่ต้องไปถึงคิวบา เพื่อหาประเทศที่มีสุขภาพดีในลาตินอเมริกา
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
ชิลีจะมีอัตราการเสียชีวิตของเด็ก ต่ำกว่าคิวบาในอีกไม่กี่ปีข้างหน้า
11:32
And here we have high-income countries in the OECD.
167
667000
3000
และที่นี่เรามีประเทศที่มีรายได้สูงในกลุ่ม OECD
11:35
And we get the whole pattern here of the world,
168
670000
4000
แล้วเราก็จะได้รูปแบบของทั้งโลกมา
11:39
which is more or less like this. And if we look at it,
169
674000
5000
ซึ่งไม่น่าต่างจากที่นี่เท่าไหร่ และเมื่อเราดู
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
ว่าเป็นอย่างไร ในช่วงปี 1960 เริ่มมีการเปลี่ยนแปลง 1960
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
นี่คือประธานเหมาเจ๋อตง เขานำสุขภาพที่ดี มาสู่จีนหลังจากนั้นเขาก็ตายไป
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
หลังจากนั้น เติ้งเสี่ยวผิงเข้ามาดำรงตำแหน่ง และนำความมั่งคั่งมาสู่จีน และพาจีนเข้าสู่เวทีโลกอีกครั้ง
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
และเราได้เห็นประเทศที่เคลื่อนไป ในทิศทางที่แตกต่างกันแบบนี้
12:02
so it's sort of difficult to get
174
697000
4000
ซึ่งทำให้เป็นการยาก
12:06
an example country which shows the pattern of the world.
175
701000
5000
ที่จะยกตัวอย่างประเทศที่แสดงรูปแบบของโลก
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
ผมขอพาคุณกลับมาที่นี่ ประมาณปี 1960
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
ผมอยากเปรียบเทียบเกาหลีใต้ ซึ่งก็คือตรงนี้ กับบราซิล
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
ซึ่งคืออันนี้ สลากอยู่ห่างจากผมมาก แล้วผมอยากจะเปรียบเทียบอูกานด้า
12:32
which is there. And I can run it forward, like this.
179
727000
5000
ซึ่งอยู่ตรงนั้น แล้วพอผมเร่งเวลาต่อไปแบบนี้
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
คุณจะเห็นได้ว่าเกาหลี มีความก้าวหน้าอย่างรวดเร็วมาก
12:46
whereas Brazil is much slower.
181
741000
3000
ในขณะที่บราซิลจะช้ากว่ามาก
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
และหากเราย้อนกลับมาอีกครั้ง ตรงนี้ แล้วเราลองจับตาการเคลื่อนไหวของพวกเขาแบบนี้
12:55
you can see again that the speed of development
183
750000
4000
คุณจะเห็นอีกครั้งว่าความเร็วของการพัฒนา
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
นั้นต่างกันมาก และทั้ง 2 ประเทศเคลื่อนที่ไปใน
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
ในอัตราที่ค่อนข้างเหมือนกันในด้านเงิน และสุขภาพ แต่ดูเหมือนว่าคุณจะ
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
เคลื่อนได้เร็วกว่า หากคุณมีสุขภาพดี ก่อนแทนที่จะมีความร่ำรวยก่อน
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
และเพื่อแสดงให้เห็น คุณสามารถใช้วิธีเดียวกัน กับสหรัฐอาหรับเอมิเรตส์
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
พวกเขามาจากจุดนี้ โดยที่เป็นประเทศ ผู้ส่งออกแร่ และส่งออกน้ำมัน
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
พวกเขาร่ำรวย แต่สุขภาพไม่สามารถ หาซื้อได้จากซุปเปอร์มาเก็ต
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
คุณต้องลงทุนในเรื่องสุขภาพ คุณต้องให้การศึกษาแก่เด็กๆ
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
คุณต้องฝึกพนักงานดูแลสุขภาพ คุณต้องให้การศึกษาแก่ประชากร
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
และ Sheikh Sayed ก็ทำได้ดีเลยทีเดียว
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
และถึงแม้ว่ามีราคาน้ำมันที่ตกลง เขาก็พาประเทศของเขาขึ้นมาอยู่ที่นี่
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
ดังนั้น เราได้มีรูปแบบหลักในโลกมากขึ้น
13:43
where all countries tend to use their money
195
798000
2000
เมื่อทุกประเทศมักจะใช้เงินงบประมาณ
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
ได้ดีกว่าที่พวกเขาเคยใช้มาในอดีต ซึ่งในปัจจุบันก็ไม่แตกต่างกันมาก
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
เมื่อคุณดูที่ข้อมูลเฉลี่ยของประเทศ ข้อมูลจะเป็นแบบนี้
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
นี่เป็นสิ่งอันตรายมากที่จะใช้ข้อมูลเฉลี่ย เพราะมีความแตกต่าง
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
มากภายในประเทศเหล่านั้น ดังนั้นถ้าผมดูที่นี่ เราจะเห็น
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
ว่าอูกานด้าในปัจจุบันอยู่ในตำแหน่ง ที่เกาหลีใต้เคยอยู่เมื่อปี 1960 และหากผม
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
แยกอูกานด้าออกก็จะเห็นความแตกต่างมากภาย ในอูกานด้า นี่คือลำดับชั้นของเศรษฐานะของอูกานด้า
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
กลุ่มประขากรที่ร่ำร่วยที่สุดจำนวน 20% ของอูกานด้าอยู่นั่น
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
กลุ่มที่จนที่สุดอยู่ที่นี่ หากผมแยก แอฟริกาใต้ออกจะเป็นอย่างนี้
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
และหากลงไปดูไนเจอร์ ซึ่งมึความอดอยากแร้งแค้นมาก
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
ท้ายที่สุด จะเป็นแบบนี้ กลุ่มที่ยากจน ในไนเจอร์จำนวน 20% อยู่ตรงโน้น
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
และ 20% ที่รวยที่สุดของแอฟริกาใต้จะอยู่ที่นั่น
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
แต่เรามักจะอภิปรายกันถึงวิธีแก้ไขปัญหาในแอฟริกา
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
แอฟริกามีทุกอย่างในโลกนี้ และคุณไม่สามารถ
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
ปรึกษาถึงการแจกจ่ายยาสำหรับโรค HIV สำหรับลำดับชั้นของเศรษฐานะบนนี้
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
ด้วยยุทธศาตร์เดียวกันกับที่ด้านล่างนี้ การพัฒนาของโลก
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
ต้องทำแบบดูตามความเป็นจริงโดยละเอียด และไม่ถูกต้องที่จะทำ
15:00
on regional level. We must be much more detailed.
212
875000
3000
ในระดับภูมิภาค เราจะต้องลงลึก ในรายละเอียดมากกว่านั้น
15:03
We find that students get very excited when they can use this.
213
878000
4000
เราพบว่านักศึกษาตื่นเต้นมาก เมื่อมีโอกาสได้ใช้สิ่งนี้
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
โดยเฉพาะนักวางแผนนโยบาย และกลุ่มธุรกิจก็อยากที่จะเห็น
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
ว่าโลกกำลังเปลี่ยนแปลงไปอย่างไร แล้วทำไมมันถึงไม่เกิดขึ้น
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
ทำไมเราถึงไม่ใช้ข้อมูลที่เรามี เรามีข้อมูลอยู่ในสหประชาชาติ
15:20
in the national statistical agencies
217
895000
2000
ในสำนักสถิติแห่งชาติ
15:22
and in universities and other non-governmental organizations.
218
897000
4000
และในมหาวิทยาลัยและองค์กรเอกชนอื่นๆ
15:26
Because the data is hidden down in the databases.
219
901000
2000
เพราะว่าข้อมูลถูกซ่อนลึกอยู่ในฐานข้อมูล
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
เรามีสาธารณชนและอินเตอร์เน็ตแล้ว แต่เราไม่ได้ใช้สิ่งเหล่านี้อย่างเต็มประสิทธิภาพ
15:33
All that information we saw changing in the world
221
908000
3000
ข้อมูลที่เราได้เห็นที่เปลี่ยนแปลงในโลก
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
ยังไม่รวมถึงข้อมูลทางสถิติที่สาธารณะ ให้การสนับสนุน มีหน้าเว็บไซต์บางหน้า
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
เช่นหน้านี้ แต่ข้อมูลได้รับการหล่อเลี้ยง มาจากฐานข้อมูล
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
แต่พวกเขากลับตั้งราคากับข้อมูล รหัสผ่านที่งี่เง่า และข้อมูลสถิติที่น่าเบื่อ
15:51
(Laughter) (Applause)
225
926000
3000
(เสียงหัวเราะ) (ปรบมือ)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
และวิธีนี้ไม่ได้ผล แล้วอะไรคือ สิ่งที่จำเป็นล่ะ เรามีฐานข้อมูล
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
คุณไม่ต้องการฐานข้อมูลใหม่ เรามีเครื่องมือช่วยออกแบบที่วิเศษ
16:02
and more and more are added up here. So we started
228
937000
3000
และหลายๆ สิ่งถูกเพิ่มเข้าไป เราจึงได้เริ่ม
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
การลงทุนที่ไม่หวังผลกำไรที่เราเรียกว่า เชื่อมข้อมูลเข้ากับการออกแบบ --
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
เราเรียกว่า Gapminder ได้ชื่อมาจาก รถไฟใต้ดินของลอนดอนซึ่งเขาเตือนคุณว่า
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
"mind the gap" ซึ่งเราคิดว่า Gapminder เหมาะสมดี
16:16
And we started to write software which could link the data like this.
232
951000
4000
เราได้เริ่มพัฒนาซอฟท์แวร์ที่สามารถ เชื่อมโยงข้อมูลได้แบบนี้
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
ไม่ได้เป็นการยากนัก แต่เราต้องใช้เวลาเป็นปีๆ และเราได้ทำสื่ออนิเมชั่น
16:26
You can take a data set and put it there.
234
961000
2000
คุณสามารถนำชุดข้อมูลมาไว้ที่นี่
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
เราปลดปล่อยข้อมูลของสหประชาชาติ องค์กรของสหประชาชาติบางแห่ง
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
บางประเทศยินยอมว่าฐานข้อมูล ของเขาสามารถออกสูสายตาชาวโลกได้
16:37
but what we really need is, of course, a search function.
237
972000
3000
แต่สิ่งที่เราต้องการจริงๆ คือ ฟังชั่นการหาข้อมูล
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
ฟังชั่นการหาข้อมูลที่เราสามารถคัดลอกข้อมูล ได้ถึงรูปแบบที่สามารถทำการหาได้
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
และเผยแพร่ข้อมูลสู่โลก และเมื่อเราลองไปถามความเห็นจากแหล่งข้อมูลต่างๆ
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
ผมได้ทำการศึกษาทางมนุษยวิทยา กับหน่วยสถิติหลัก ทุกคนพูดว่า
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"เป็นไปไม่ได้ ไม่สามารถทำได้ ข้อมูลของเรานั้นเฉพาะเจาะจง
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
ในรายละเอียดอย่างมาก จึงไม่สามารถ ทำการค้นหาเหมือนอย่างข้อมูลอื่นๆ ได้
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
เราไม่สามารถให้ข้อมูลฟรีแก่นักศึกษา แก่ผู้ประกอบการของโลกได้"
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
แต่นี่คือสิ่งที่เราอยากจะเห็นใช่ไหม
17:08
The publicly-funded data is down here.
245
1003000
3000
ข้อมูลสถิติที่สาธารณะสนับสนุน ทุนจะอยู่ข้างล่างนี้
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
และเราอยากให้ดอกไม้แห่งความรู้ เจริญงอกงามในอินเตอร์เน็ต
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
และหนึ่งในสิ่งสำคัญยิ่งคือการที่จะ ทำให้ข้อมูลถูกค้นหาได้ จากนั้นผู้คนสามารถใช้
17:19
the different design tool to animate it there.
248
1014000
2000
เครื่องมือออกแบบที่แตกต่างกัน เพื่อแสดงข้อมูลแบบนั้น
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
และผมมีข่าวดีมากมาบอกคุณ ผมมีข่าวดีว่าในตอนนี้
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
หัวหน้ากองสถิติของสหประชาขาติ ไม่ได้บอกว่าเป็นไปไม่ได้
17:30
He only says, "We can't do it."
251
1025000
2000
เขาแค่บอกว่า "เราไม่สามารถทำได้"
17:32
(Laughter)
252
1027000
4000
(เสียงหัวเราะ)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
ต้องนับว่าเขาเป็นคนฉลาดมากคนหนึ่งเลย ใช่ไหม
17:38
(Laughter)
254
1033000
2000
(เสียงหัวเราะ)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
ดังนั้น เราจะเห็นสิ่งที่เกิดขึ้นมากมาย กับข้อมูลในอนาคตอันใกล้
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
เราจะสามารถดูการกระจายรายได้ ในวิธีที่ใหม่โดยสิ้นเชิง
17:48
This is the income distribution of China, 1970.
257
1043000
5000
นี่คือการกระจายรายได้ของจีนในปี 1970
17:54
the income distribution of the United States, 1970.
258
1049000
5000
การกระจายรายได้ของสหรัฐฯ ในปี 1970
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
แทบจะไม่มีการเหลื่อมล้ำกันเลย แล้วได้เกิดอะไรขึ้น
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
สิ่งที่เกิดขึ้นคือ จีนกำลังเจริญเติบโต ไม่ได้เท่าเทียมกันอีกต่อไป
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
และได้มาปรากฏอยู่ตรงนี้ คอยตามหลังสหรัฐฯ ไป
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
เหมือนผีเลยว่ามั้ย
18:14
(Laughter)
263
1069000
2000
(เสียงหัวเราะ)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
มันค่อนข้างน่ากลัว แต่ผมคิดว่า การมีข้อมูลทั้งหมดนี้เป็นสิ่งสำคัญ
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
เราจำเป็นต้องดูข้อมูลจริงๆ และแทนที่จะดูที่นี่
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
ในที่สุด ผมอยากจะแสดงต่อ ผู้ใช้งานอินเตอร์เน็ตนับพัน
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
ในซอฟท์แวร์นี้ เราเข้าถึงตัวแปรประมาณ 500 ตัว จากประเทศทั้งหมดได้อย่างง่ายดาย
18:42
It takes some time to change for this,
268
1097000
4000
ถึงจะใช้เวลาพอสมควรในการเปลี่ยน
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
แต่บนแกนเหล่านี้ คุณสามารถจะได้ตัวแปรใดๆ ที่ต้องการได้ค่อนข้างง่ายดีเดียว
18:51
And the thing would be to get up the databases free,
270
1106000
5000
โดยการตั้งฐานข้อมูลที่เข้าถึงได้ฟรี
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
การทำให้ฐานข้อมูลสามารถถูกค้นหาได้ และด้วยการคลิกครั้งที่สอง
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
จะนำมาอยู่ในรูปแบบกราฟิกที่คุณ สามารถเข้าใจข้อมูลได้ทันที
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
นักสถิติกลับไม่ชอบวิธีนี้ เพราะพวกเขาบอกว่า
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
วิธีนี้จะไม่แสดงความเป็นจริง เราจำเป็น ต้องมีกรรมวิธีวิเคราะห์ข้อมูลทางสถิติ
19:16
But this is hypothesis-generating.
275
1131000
3000
แต่นี่เป็นการสร้างข้อมูลสมมุติฐาน
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
ผมจะจบด้วยโลกของเรา ตรงนั้น อินเตอร์เน็ตกำลังมา
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
จำนวนผู้ใช้อินเตอร์เน็ตเพิ่มขึ้นแบบนี้ และนี่คือ GDP ของประชากรต่อหัว
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
และเป็นเทคโนโลยีแบบใหม่ที่เข้ามา แต่ก็น่าแปลกใจที่เทคโนโลยีนี้
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
เข้ากันได้กับเศรษฐกิจของประเทศ เพราะฉะนั้น คอมพิวเตอร์ราคาประหยัด
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
จึงมีความสำคัญมาก แต่ก็ถือเป็นแนวโน้มที่ดี
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
เหมือนกับว่าโลกแบนลงใช่ไหม ประเทศเหล่านี้
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
พัฒนามากกว่าเพียงด้านเศรษฐกิจ และเป็นสิ่งน่าสนใจอย่างยิ่ง
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
ที่จะติดตามสถานการณ์ในปีต่อไป ซึ่งผมอยากทำได้
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
ด้วยข้อมูลที่สาธารณะออกทุน ขอบคุณทุกคนมากครับ
19:53
(Applause)
285
1168000
3000
(เสียงปรบมือ)
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