TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling: De beste statistieken die je ooit zag
Filmed:
Readability: 3.6
14,386,844 views
Je hebt data nog nooit op deze manier gepresenteerd gezien. Statistieken-goeroe Hans Rosling ontkracht mythen over zogenaamde "ontwikkelingslanden" met het drama en de urgentie van een sportcommentator.
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
Ongeveer 10 jaar geleden
begon ik wereldontwikkeling te doceren
begon ik wereldontwikkeling te doceren
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
aan Zweedse bachelorstudenten.
Dit deed ik na 20 jaar doorgebracht
te hebben met Afrikaanse instellingen
te hebben met Afrikaanse instellingen
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
die honger in Afrika bestudeerden.
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
Ze mochten dus aannemen
dat ik wat wist over de wereld.
dat ik wat wist over de wereld.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Ik begon in onze medische universiteit,
het Karolinska Instituut,
het Karolinska Instituut,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
met een bachelorcollege
Wereldwijde Gezondheid.
Wereldwijde Gezondheid.
Maar als je zo'n kans krijgt
word je een beetje nerveus.
word je een beetje nerveus.
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
Ik dacht, deze studenten
die naar ons toekomen
die naar ons toekomen
00:53
coming to us actually have the highest grade you can get
7
28000
3000
hebben de hoogst mogelijke cijfers
binnen het Zweedse onderwijssysteem
binnen het Zweedse onderwijssysteem
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
dus misschien weten ze alles
wat ik ze ga doceren al.
wat ik ze ga doceren al.
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
Ik deed dus een test bij de start.
Een van de vragen waarvan ik
veel heb geleerd was deze:
veel heb geleerd was deze:
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"Welk land heeft de hoogste
kindersterfte van deze vijf paren?"
kindersterfte van deze vijf paren?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Ik stelde ze zo samen
dat in elk paar landen,
dat in elk paar landen,
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
de één dubbel zoveel
kindersterfte heeft als de andere.
kindersterfte heeft als de andere.
Dit betekent dat het verschil groter is
dan de onzekerheid van de statistieken.
dan de onzekerheid van de statistieken.
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Ik zal jullie geen toetsvragen voorleggen,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
maar Turkije scoort het hoogst,
Polen, Rusland, Pakistan en Zuid-Afrika.
Polen, Rusland, Pakistan en Zuid-Afrika.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
En dit zijn de resultaten
van de Zweedse studenten.
van de Zweedse studenten.
Ik berekende het betrouwheidsinterval.
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
Dat was vrij klein en daar
werd ik natuurlijk gelukkig van:
werd ik natuurlijk gelukkig van:
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1.8 van de 5 antwoorden correct.
Dat betekende dat er plaats was voor
een professor Internationale Gezondheid --
een professor Internationale Gezondheid --
01:41
there was a place for a professor of international health --
20
76000
3000
01:44
(Laughter) and for my course.
21
79000
2000
en voor mijn college. (Gelach)
01:46
But one late night, when I was compiling the report
22
81000
4000
Op een late avond, toen ik
het rapport aan het opstellen was
het rapport aan het opstellen was
01:50
I really realized my discovery. I have shown
23
85000
4000
deed ik pas echt mijn ontdekking.
Ik heb aangetoond dat Zweedse topstudenten
01:54
that Swedish top students know statistically significantly less
24
89000
5000
statistisch significant minder weten
over de wereld dan chimpansees.
over de wereld dan chimpansees.
01:59
about the world than the chimpanzees.
25
94000
2000
02:01
(Laughter)
26
96000
2000
(Gelach)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
De chimpansee zou de helft goed scoren
als ik hem twee bananen zou geven
met Sri Lanka en Turkije er op.
met Sri Lanka en Turkije er op.
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
De studenten zijn daar nog niet.
Mijn probleem was niet onwetendheid,
Mijn probleem was niet onwetendheid,
02:14
it was preconceived ideas.
30
109000
3000
maar ingeprente misvattingen.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Ik deed ook een onethisch onderzoek
onder de professoren van het Instituut.
onder de professoren van het Instituut.
02:21
(Laughter)
32
116000
1000
(Gelach)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
-- dat de Nobelprijs in medicijnen uitreikt --
02:24
and they are on par with the chimpanzee there.
34
119000
2000
en ze scoren even goed als de chimpansee.
02:26
(Laughter)
35
121000
3000
(Gelach)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Toen besefte ik dat er
nood aan communicatie was,
nood aan communicatie was,
02:33
because the data of what's happening in the world
37
128000
3000
omdat de beschikbare informatie
over wat er gebeurt in de wereld
over wat er gebeurt in de wereld
02:36
and the child health of every country is very well aware.
38
131000
3000
en de gezondheid van kinderen
van elk land eigenlijk erg goed is.
van elk land eigenlijk erg goed is.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
We maakten deze software
die het zo weergeeft:
die het zo weergeeft:
elke bubbel is een land.
02:44
This country over here is China. This is India.
40
139000
6000
Dit land hier is China. Dit is India.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
De grootte van de bubbel is de bevolking,
en op deze as staat de vruchtbaarheid.
en op deze as staat de vruchtbaarheid.
02:56
Because my students, what they said
42
151000
3000
Want mijn studenten zeiden,
als ze de wereld bekeken, en ik hen vroeg:
02:59
when they looked upon the world, and I asked them,
43
154000
2000
03:01
"What do you really think about the world?"
44
156000
2000
"Hoe kijk je echt tegen de wereld aan?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Nou, ten eerste ontdekte ik
dat het studieboek vooral Kuifje was.
dat het studieboek vooral Kuifje was.
03:07
(Laughter)
46
162000
1000
(Gelach)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
En ze antwoordden:
"De wereld is nog steeds 'wij' en 'zij'.
"De wereld is nog steeds 'wij' en 'zij'.
03:11
And we is Western world and them is Third World."
48
166000
3000
Wij zijn de westerse wereld,
zij zijn de derde wereld."
zij zijn de derde wereld."
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
"Wat bedoel je met
de westerse wereld?", vroeg ik.
de westerse wereld?", vroeg ik.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Een lang leven en een klein gezin,
en de derde wereld betekent
kort leven en groot gezin".
kort leven en groot gezin".
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Dus dit kon ik laten zien.
Ik zet vruchtbaarheid hier:
het aantal kinderen per vrouw,
het aantal kinderen per vrouw,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
een, twee, drie, vier,
tot ongeveer acht kinderen per vrouw.
tot ongeveer acht kinderen per vrouw.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
We hebben hele goede data
sinds rond 1960
sinds rond 1960
over de grootte van families
in alle landen.
in alle landen.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
De foutenmarge is klein.
Hier zet ik levensverwachting bij de geboorte,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
vanaf 30 jaar tot,
in sommige landen, ongeveer 70 jaar.
in sommige landen, ongeveer 70 jaar.
03:45
And 1962, there was really a group of countries here
56
200000
3000
In 1962 was er een groep van landen hier.
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
De geïndustrialiseerde landen
hadden kleine families en leefden lang.
hadden kleine families en leefden lang.
03:53
And these were the developing countries:
58
208000
2000
En dit waren de ontwikkelingslanden:
03:55
they had large families and they had relatively short lives.
59
210000
3000
zij hadden grote families
en relatief korte levens.
en relatief korte levens.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Maar wat is er gebeurd sinds 1962?
Die verandering willen we zien.
Die verandering willen we zien.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Hebben de studenten gelijk?
Nog steeds twee soorten landen?
Nog steeds twee soorten landen?
Of hebben de ontwikkelingslanden kleinere families en zitten ze hier?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
04:09
Or have they got longer lives and live up there?
63
224000
2000
Of leven ze langer en zitten ze hier?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
We gaan kijken.
De wereld staat hier stil.
De wereld staat hier stil.
Dit zijn allemaal VN-statistieken.
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
Hier gaan we. Zie je dat daar?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Dat is China, de gezondheid zakt
en stijgt daar weer.
en stijgt daar weer.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Al de groene Latijns-Amerikaanse landen
krijgen kleinere families.
krijgen kleinere families.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
De gele landen hier
zijn de Arabische landen.
zijn de Arabische landen.
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
Ze krijgen langer leven,
maar geen grotere families.
maar geen grotere families.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
De Afrikanen zijn de groene
en die blijven nog hier beneden.
en die blijven nog hier beneden.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Dit is India. Indonesië beweegt vrij snel.
04:36
(Laughter)
72
251000
1000
(Gelach)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
In de 80er jaren zie je Bangladesh hier,
nog bij de Afrikaanse landen.
nog bij de Afrikaanse landen.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Maar nu, Bangladesh --
het is een wonder in jaren '80:
het is een wonder in jaren '80:
04:43
the imams start to promote family planning.
75
258000
3000
de imams beginnen
voorbehoedsmiddelen te promoten.
voorbehoedsmiddelen te promoten.
Ze gaan omhoog naar die hoek.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
En in de jaren 90
is er de verschrikkelijke Aids-epidemie
is er de verschrikkelijke Aids-epidemie
die de levensverwachting
van de Afrikaanse landen laat dalen.
van de Afrikaanse landen laat dalen.
04:51
that takes down the life expectancy of the African countries
77
266000
3000
04:54
and all the rest of them move up into the corner,
78
269000
4000
Alle anderen bewegen omhoog die hoek in,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
waar we lange levens
en kleine families hebben.
en kleine families hebben.
En we hebben een compleet nieuwe wereld.
05:02
(Applause)
80
277000
13000
(Applaus)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Laat mij een vergelijking maken
tussen de Verenigde Staten en Vietnam.
tussen de Verenigde Staten en Vietnam.
05:20
1964: America had small families and long life;
82
295000
5000
1964: Amerika had
kleine families en lange levens,
kleine families en lange levens,
Vietnam had grote families en korte levens.
En dit is wat er gebeurde.
En dit is wat er gebeurde.
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
05:29
the data during the war indicate that even with all the death,
84
304000
6000
De gegevens tijdens de oorlog
laten zien dat zelfs met al de doden,
laten zien dat zelfs met al de doden,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
er een stijgende levensverwachting was.
Aan het eind van het jaar
begon gezinsplanning in Vietnam
begon gezinsplanning in Vietnam
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
en kregen ze kleinere families.
05:41
And the United States up there is getting for longer life,
87
316000
3000
In de V.S. kregen ze langere levens,
05:44
keeping family size. And in the '80s now,
88
319000
3000
en behielden ze de familiegrootte.
In de jaren 80 gaven ze het communisme op
en gingen ze over op een markteconomie,
en gingen ze over op een markteconomie,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
en het gaat zelfs sneller in het sociale leven.
Vietnam heeft tegenwoordig dezelfde
levensverwachting en familiegrootte
levensverwachting en familiegrootte
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
hier in Vietnam, 2003,
als in de Verenigde Staten in 1974,
als in de Verenigde Staten in 1974,
aan het einde van de oorlog.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Ik denk dat we allemaal --
als we niet naar de gegevens kijken --
als we niet naar de gegevens kijken --
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
de overweldigende verandering
in Azië onderschatten,
in Azië onderschatten,
06:14
in social change before we saw the economical change.
95
349000
4000
dat eerst sociaal veranderde
voordat de economie volgde.
voordat de economie volgde.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Laten we overgaan op een andere manier
om de verdeling weer te geven
van het wereldinkomen.
van het wereldinkomen.
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Eén Dollar, 10 Dollar
en 100 Dollar per dag.
en 100 Dollar per dag.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Er zit geen gat meer tussen rijk en arm.
Dit is een mythe.
Dit is een mythe.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Er zit een kleine bult hier,
maar er zitten overal mensen.
maar er zitten overal mensen.
En als we kijken waar al het geld
terecht komt -- het inkomen --
terecht komt -- het inkomen --
06:44
And if we look where the income ends up -- the income --
101
379000
4000
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
dit is 100 procent van het jaarlijkse wereldinkomen.
De rijkste 20 procent verdient
ongeveer 74 procent hiervan.
ongeveer 74 procent hiervan.
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
De armste 20 procent
verdient ongeveer 2 procent.
verdient ongeveer 2 procent.
07:01
they take about two percent. And this shows that the concept
104
396000
5000
Dit laat zien dat het concept
ontwikkelingslanden erg twijfelachtig is.
ontwikkelingslanden erg twijfelachtig is.
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
We denken over ontwikkelingshulp
dat de mensen hier deze mensen helpen.
dat de mensen hier deze mensen helpen.
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
Maar in het midden hebben we
het grootste deel van de wereldbevolking,
het grootste deel van de wereldbevolking,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
met 24 procent van het inkomen.
07:19
We heard it in other forms. And who are these?
108
414000
4000
We hebben het op andere
manieren gehoord. En wie zijn dit?
manieren gehoord. En wie zijn dit?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Waar zijn de verschillende landen?
Ik kan u Afrika laten zien.
Ik kan u Afrika laten zien.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Dit is Afrika.
Tien procent van de wereldbevolking.
Grotendeels in armoede.
Grotendeels in armoede.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Dit is de OESO. De rijke landen.
De countryclub van de VN.
De countryclub van de VN.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Zij zitten hier aan deze kant.
Een flinke overlap van Afrika met de OESO.
Een flinke overlap van Afrika met de OESO.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Dit is Latijns-Amerika.
Ze hebben hier alles,
Ze hebben hier alles,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
van de armsten tot de rijksten,
in Latijns-Amerika.
in Latijns-Amerika.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
En daaroverheen kunnen we Oost-Europa,
Oost-Azië en Zuid-Azië projecteren.
Oost-Azië en Zuid-Azië projecteren.
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
En hoe zag het eruit rond 1970?
Toen was er meer sprake van een bult.
Toen was er meer sprake van een bult.
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
De meeste absoluut armen waren Aziaten.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Het probleem in de wereld was armoede in Azië.
En als ik de wereld laat verdergaan,
zal je zien dat de bevolking toeneemt,
zal je zien dat de bevolking toeneemt,
08:14
you will see that while population increase, there are
120
469000
3000
en er honderden miljoenen Aziaten
uit de armoede geraken en sommige anderen
uit de armoede geraken en sommige anderen
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
in de armoede, en dit is
het patroon dat we vandaag hebben.
het patroon dat we vandaag hebben.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
De beste projectie van de Wereldbank
is dat dit zal gebeuren.
is dat dit zal gebeuren.
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
We zullen geen verdeelde wereld hebben.
De meeste mensen zullen in het midden zitten.
De meeste mensen zullen in het midden zitten.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Nu is dit een logaritmische schaal,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
maar ons economische concept
is procentuele groei.
is procentuele groei.
We zien het als de kans
op procentuele groei.
op procentuele groei.
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
Als ik dit verander en BNP per hoofd neem
in plaats van gezinsinkomen,
in plaats van gezinsinkomen,
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
en ik vervang deze individuele data
door regionale data van het BBP,
door regionale data van het BBP,
08:48
individual data into regional data of gross domestic product,
129
503000
6000
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
en ik neem de regio's hier beneden --
de omvang van de bubbel is de bevolking.
de omvang van de bubbel is de bevolking.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Je hebt de OESO hier,
en Sub-Saharisch Afrika daar,
en Sub-Saharisch Afrika daar,
09:01
and we take off the Arab states there,
132
516000
3000
en we nemen de Arabische staten hier uit,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
die komen uit Afrika en Azië,
en we zetten ze apart,
en we zetten ze apart,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
en we vergroten deze as,
en ik voeg hier een nieuwe dimensie toe,
en ik voeg hier een nieuwe dimensie toe,
09:13
by adding the social values there, child survival.
135
528000
3000
met de sociale waarden, kinderoverlevingskans.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Ik heb nu geld op die as, en de kans
op overleven van de kinderen daar.
op overleven van de kinderen daar.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
In sommige landen leven 99,7 procent
van de kinderen tot 5 jaar.
van de kinderen tot 5 jaar.
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
In andere maar 70.
En hier lijkt een kloof te zitten tussen
de OESO, Latijns-Amerika, Oost-Europa,
de OESO, Latijns-Amerika, Oost-Europa,
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
Oost-Azië, de Arabische staten,
Zuid-Azië en Sub-Saharisch Afrika.
Zuid-Azië en Sub-Saharisch Afrika.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Het verband tussen kinderoverlevingskans
en geld is heel sterk.
en geld is heel sterk.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Laat me Sub-Saharisch Afrika uitsplitsen.
Beneden slechte, boven betere gezondheid.
Beneden slechte, boven betere gezondheid.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Ik kan hier Sub-Saharisch Afrika
in zijn landen opsplitsen.
in zijn landen opsplitsen.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Als uit uiteenspat is de omvang
van de landenbubbel de bevolkingsgrootte.
van de landenbubbel de bevolkingsgrootte.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Hierbeneden is Sierra Leone.
Daarboven Mauritius,
Daarboven Mauritius,
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
het eerste land zonder handelsgrenzen,
en ze konden hun suiker verkopen.
en ze konden hun suiker verkopen.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
en hun textiel, tegen dezelfde voorwaarden
als de Europeanen en Noord-Amerikanen.
als de Europeanen en Noord-Amerikanen.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Er zijn grote verschillen in Afrika.
Ghana staat hier in het midden.
Ghana staat hier in het midden.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
In Sierra Leone: humanitaire hulp.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
In Oeganda: ontwikkelingshulp.
Hier: tijd om te investeren.
Hier: tijd om te investeren.
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
Daar kan je met vakantie gaan.
Er is zeer veel variatie binnen Afrika
die we bijna nooit zien,
die we bijna nooit zien,
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
het is allemaal gelijk.
Ik kan Zuid-Azië hier opsplitsen.
India is de grote bubbel in het midden.
India is de grote bubbel in het midden.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Een groot verschil tussen
Afghanistan en Sri Lanka.
Afghanistan en Sri Lanka.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Ik kan de Arabische staten splitsen.
Hetzelfde klimaat, cultuur en religie.
Hetzelfde klimaat, cultuur en religie.
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
Zeer grote verschillen, zelfs tussen buren.
Jemen: burgeroorlog.
Jemen: burgeroorlog.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Verenigde Arabische Emiraten:
geld dat goed en gespreid besteed is.
geld dat goed en gespreid besteed is.
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
Niet zoals de mythe.
Inbegrepen zijn alle kinderen
van de buitenlandse arbeiders in het land.
van de buitenlandse arbeiders in het land.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Data zijn vaak beter dan je denkt.
Vele mensen zeggen dat ze slecht zijn.
Vele mensen zeggen dat ze slecht zijn.
Er is een marge van onzekerheid,
maar we zien het verschil:
maar we zien het verschil:
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Cambodja, Singapore.
De verschillen zijn veel groter
De verschillen zijn veel groter
11:11
than the weakness of the data. East Europe:
162
646000
3000
dan de zwakte van de data.
Oost-Europa: lang een Sovjeteconomie,
maar ze komen er 10 jaar later
maar ze komen er 10 jaar later
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
11:20
very, very differently. And there is Latin America.
164
655000
3000
heel, heel anders uit. Daar is Latijns-Amerika.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Tegenwoordig is Cuba niet het enige
gezonde land in Latijns-Amerika.
gezonde land in Latijns-Amerika.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Chili zal over enkele jaren
lagere kindersterfte dan Cuba hebben.
lagere kindersterfte dan Cuba hebben.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Hier hebben we rijke landen in de OESO.
11:35
And we get the whole pattern here of the world,
168
670000
4000
We hebben hier het hele patroon
van de wereld, dat min of meer zo is.
van de wereld, dat min of meer zo is.
11:39
which is more or less like this. And if we look at it,
169
674000
5000
Als we het bekijken, hoe het eruit ziet --
de wereld in 1960. Het begint te bewegen.
de wereld in 1960. Het begint te bewegen.
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
1960 Dit is Mao Zedong. Hij bracht
China gezondheid. Toen stierf hij.
China gezondheid. Toen stierf hij.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Deng Xiaoping bracht China geld,
en bracht ze terug naar de middenmoot.
en bracht ze terug naar de middenmoot.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
We hebben gezien hoe landen
in verschillende richtingen bewegen.
in verschillende richtingen bewegen.
12:02
so it's sort of difficult to get
174
697000
4000
Het is dus moeilijk om
een voorbeeldland te nemen
dat het patroon van de wereld toont.
dat het patroon van de wereld toont.
12:06
an example country which shows the pattern of the world.
175
701000
5000
Ik breng jullie terug naar ongeveer 1960.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Ik zou Zuid-Korea
willen vergelijken met Brazilië.
willen vergelijken met Brazilië.
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
Het label is eraf.
En ik zou Oeganda willen vergelijken,
hier zo. Ik kan vooruitgaan, zo.
hier zo. Ik kan vooruitgaan, zo.
12:32
which is there. And I can run it forward, like this.
179
727000
5000
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Je ziet hoe Zuid-Korea
zeer snel vooruitgang boekt,
zeer snel vooruitgang boekt,
12:46
whereas Brazil is much slower.
181
741000
3000
terwijl Brazilië veel trager is.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Als we teruggaan en
een sleepspoor laten zien,
een sleepspoor laten zien,
12:55
you can see again that the speed of development
183
750000
4000
dan kan je opnieuw zien
dat de snelheid van ontwikkeling
dat de snelheid van ontwikkeling
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
erg verschilt en dat de landen min of meer
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
in hetzelfde tempo bewegen qua geld en gezondheid,
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
maar je kan blijkbaar veel sneller bewegen
als je eerst gezond bent, niet eerst rijk.
als je eerst gezond bent, niet eerst rijk.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Om dat te tonen kan je naar
de Verenigde Arabische Emiraten kijken.
de Verenigde Arabische Emiraten kijken.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Ze kwamen daarvandaan,
een mineraal land. Ze vonden al die olie,
een mineraal land. Ze vonden al die olie,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
kregen al dat geld, maar gezondheid
koop je niet in de supermarkt.
koop je niet in de supermarkt.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Je moet investeren in gezondheid.
Je moet kinderen naar school krijgen.
Je moet kinderen naar school krijgen.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Je moet de gezondheidswerkers opleiden.
Je moet de bevolking opleiden.
Je moet de bevolking opleiden.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Sjeik Sayed deed dat redelijk goed.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Ondanks de dalende olieprijzen
bracht hij zijn land tot hier.
bracht hij zijn land tot hier.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
We hebben dus een meer
gemiddeld aanzicht van de wereld,
gemiddeld aanzicht van de wereld,
waarin alle landen neigen naar
beter gebruik van hun geld dan vroeger.
beter gebruik van hun geld dan vroeger.
13:43
where all countries tend to use their money
195
798000
2000
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
Dit is min of meer zo,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
als je kijkt naar de gemiddelde data
van de landen. Die zijn zo.
van de landen. Die zijn zo.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Dat is wel gevaarlijk,
gemiddelden gebruiken,
gemiddelden gebruiken,
omdat er zoveel verschillen zijn
binnen de landen.
binnen de landen.
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
Als ik dus daar ga kijken, zien we
dat Oeganda vandaag is
dat Oeganda vandaag is
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
waar Zuid-Korea in 1960 was.
Splits ik Oeganda, dan zie ik
een groot verschil in het land.
een groot verschil in het land.
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
Dit zijn de kwintielen van Oeganda.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Daar zijn de 20 procent
rijkste Oegandezen. Daar zijn de armsten.
rijkste Oegandezen. Daar zijn de armsten.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Als ik Zuid-Afrika opsplits is het zo.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Hier beneden zie je Niger,
waar zo'n vreselijke hongersnood was,
waar zo'n vreselijke hongersnood was,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
Daar zijn de 20 procent armsten van Niger,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
daar de 20 procent rijksten van Zuid-Afrika,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
en toch blijven we debatteren
over de oplossingen voor Afrika.
over de oplossingen voor Afrika.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Alles wat de wereld heeft,
heb je in Afrika.
heb je in Afrika.
Je kan niet debatteren over universele
toegang tot Aidsmedicijnen
toegang tot Aidsmedicijnen
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
voor dat kwintiel daar,
met dezelfde strategie als hier beneden.
met dezelfde strategie als hier beneden.
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
De verbetering van de wereld
moet aan de context aangepast worden,
moet aan de context aangepast worden,
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
het is niet relevant
om het regionaal te bekijken.
om het regionaal te bekijken.
15:00
on regional level. We must be much more detailed.
212
875000
3000
We hebben meer detail nodig.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Studenten vinden het heel spannend
om dit te gebruiken.
om dit te gebruiken.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Zelfs beleidsmakers en bedrijfssectoren
willen zien hoe de wereld verandert.
willen zien hoe de wereld verandert.
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
Waarom gebeurt het dan niet?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Waarom gebruiken we de data
die we hebben niet?
die we hebben niet?
We hebben data in de VN,
in de nationale statistische bureaus,
in de nationale statistische bureaus,
15:20
in the national statistical agencies
217
895000
2000
15:22
and in universities and other non-governmental organizations.
218
897000
4000
in universiteiten en andere ngo's.
Omdat de data verstopt zitten
in de databases.
in de databases.
15:26
Because the data is hidden down in the databases.
219
901000
2000
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
Het publiek is er, het internet is er,
maar we gebruiken het nog niet goed.
maar we gebruiken het nog niet goed.
15:33
All that information we saw changing in the world
221
908000
3000
Alle informatie die we
in de wereld zagen veranderen,
in de wereld zagen veranderen,
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
komt niet van statistieken
met overheidsgeld.
met overheidsgeld.
Er zijn enkele van dat soort webpagina's,
maar ze halen hun mosterd bij de databases
maar ze halen hun mosterd bij de databases
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
en zetten er dan een prijs op,
een dom paswoord en saaie statistieken.
een dom paswoord en saaie statistieken.
15:51
(Laughter) (Applause)
225
926000
3000
(Gelach) Dat zal niet werken.
(Applaus)
(Applaus)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Wat hebben we dan nodig?
We hebben de databases.
We hebben de databases.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Nieuwe databases zijn niet nodig.
We hebben prachtige designtools,
en er komen er alsmaar meer bij.
en er komen er alsmaar meer bij.
16:02
and more and more are added up here. So we started
228
937000
3000
We startten dus een nonprofitonderneming
die we -- met link van data naar design --
die we -- met link van data naar design --
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
Gapminder noemden, naar de Londense metro,
waar ze je waarschuwen: "mind the gap".
waar ze je waarschuwen: "mind the gap".
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
We vonden Gapminder dus gepast.
16:16
And we started to write software which could link the data like this.
232
951000
4000
We begonnen software te schrijven
die de data zo konden verbinden.
die de data zo konden verbinden.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Het was niet zo moeilijk. Het kostte
een paar manjaren, en we hebben animaties.
een paar manjaren, en we hebben animaties.
16:26
You can take a data set and put it there.
234
961000
2000
Je kan een dataset hier zetten.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
We bevrijden VN-data.
Enkele VN-organisaties en landen aanvaarden
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
dat hun databases de wereld bereiken,
16:37
but what we really need is, of course, a search function.
237
972000
3000
maar wat we echt nodig hebben
is natuurlijk een zoekfunctie.
is natuurlijk een zoekfunctie.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Een zoekfunctie waarmee we de gegevens
in een doorzoekbaar formaat zetten
in een doorzoekbaar formaat zetten
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
en ze op de wereld loslaten.
En wat horen we als we rondgaan?
En wat horen we als we rondgaan?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Ik heb de belangrijkste statistische
diensten antropologisch benaderd.
diensten antropologisch benaderd.
Ze zeggen allemaal: "Onmogelijk.
Dat kan je niet doen.
Dat kan je niet doen.
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
Onze informatie is
zo bijzonder en gedetailleerd,
zo bijzonder en gedetailleerd,
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
die kan je niet doorzoeken
zoals andere informatie.
zoals andere informatie.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
We kunnen de gegevens niet vrijgeven
voor de studenten
en de ondernemers in de wereld."
en de ondernemers in de wereld."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Maar dit is wat we
zouden willen zien, niet?
zouden willen zien, niet?
17:08
The publicly-funded data is down here.
245
1003000
3000
Daar zijn de gegevens
met overheidsgeld betaald.
met overheidsgeld betaald.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
We zouden bloemen
willen zien bloeien op het Net.
willen zien bloeien op het Net.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Eén van de cruciale punten is
ze doorzoekbaar maken.
ze doorzoekbaar maken.
Dan kunnen mensen designtools gebruiken
om ze tot leven te brengen.
om ze tot leven te brengen.
17:19
the different design tool to animate it there.
248
1014000
2000
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Ik heb best goed nieuws voor jullie.
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
De huidige nieuwe baas
van de VN-statistieken
van de VN-statistieken
zegt niet dat het onmogelijk is.
17:30
He only says, "We can't do it."
251
1025000
2000
Hij zegt alleen: "We kunnen het niet doen."
17:32
(Laughter)
252
1027000
4000
(Gelach)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
En dat is een redelijk slimme man, niet?
17:38
(Laughter)
254
1033000
2000
(Gelach)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
We zien dus veel gebeuren
met data de komende jaren.
met data de komende jaren.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
We zullen op een heel andere manier
naar inkomensverdeling kijken.
naar inkomensverdeling kijken.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Dit is de inkomensverdeling
in China, 1970,
in China, 1970,
en de inkomensverdeling
van de VS, 1970.
van de VS, 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Bijna geen overlap. En wat is er gebeurd?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Dit is wat er gebeurde:
China groeit, het is niet meer zo gelijk,
China groeit, het is niet meer zo gelijk,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
en het glijdt hier over de VS.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Bijna als een geest, niet?
18:14
(Laughter)
263
1069000
2000
(Gelach) Angstaanjagend.
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
(Gelach)
Ik denk dat het heel belangrijk is
om al deze informatie te hebben.
om al deze informatie te hebben.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
We moeten ze echt zien.
In plaats van hiernaar te kijken,
In plaats van hiernaar te kijken,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
zou ik willen besluiten met een blik
op de internetgebruikers per 1.000.
op de internetgebruikers per 1.000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
In deze software hebben we toegang
tot 500 variabelen voor alle landen.
tot 500 variabelen voor alle landen.
18:42
It takes some time to change for this,
268
1097000
4000
Het vraagt even tijd om dit te wijzigen,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
maar op de as kan je gemakkelijk
elke gewenste variabele krijgen.
elke gewenste variabele krijgen.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Het zou fantastisch zijn
om de databases gratis te krijgen,
om de databases gratis te krijgen,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
doorzoekbaar, en ze met een tweede klik
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
om te zetten in grafisch formaat,
waar je ze gemakkelijk kan begrijpen.
waar je ze gemakkelijk kan begrijpen.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Statistici houden daar niet van,
ze zeggen dat dit
de realiteit niet echt toont,
de realiteit niet echt toont,
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
dat we statistische, analytische
methodes moeten hebben.
methodes moeten hebben.
19:16
But this is hypothesis-generating.
275
1131000
3000
Maar dat zijn enkel hypothesen.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Ik besluit met de wereld.
Daar komt het Internet.
Daar komt het Internet.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Het aantal internetgebruikers stijgt.
Dit is het BNP per hoofd.
Dit is het BNP per hoofd.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Er komt een nieuwe technologie aan,
die verbazingwekkend gelijk opgaat
met de economie van de landen.
met de economie van de landen.
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
Dat is waarom de 100 dollar-computer
zo belangrijk zal zijn.
zo belangrijk zal zijn.
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
Maar het is een mooie tendens.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Het is alsof de wereld afvlakt, niet?
Deze landen gaan meer omhoog
dan de economie
dan de economie
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
en het zal erg interessant zijn
dit over de jaren te volgen,
dit over de jaren te volgen,
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
zoals ik je graag wil laten doen
met alle gesubsidieerde data.
met alle gesubsidieerde data.
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
Veel dank.
19:53
(Applause)
285
1168000
3000
(Applaus)
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