TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling: Statistika, mis parandab maailma
Filmed:
Readability: 3.6
14,386,844 views
Maailma paremaks mõistmiseks on suureks abiks andmed ja statistika. Kuidas saame aga riikide ja rahvusvahelistes organisatsioonide poolt kogutud andmeid leida ja isuärataval moel serveerida? Spordisõbra kirglikkuse ja teadlase mõttekiirusega Rootsi statistikaguru, Karolinska Instituudi professor Hans Rosling näitab oma 2006. aastal Californias peetud TEDx kõnes, kuidas tava-arusaamad nn arengumaade kohta enam ammu paika ei pea, sest andmed kõnelevad hoopis muud, ning kuidas oskus leida ja kasutada avalikke andmed maailma parandada aitab. Roslingi eestvedamisel loodud Mindgap Foundation just nende teemadega tegelebki.
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
Umbes 10 aastat tagasi hakkasin õpetama
globaalse arengu kursust
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
Rootsi bakatudengitele.
Enne seda olin 20 aastat
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
koos Aafrika organisatsioonidega
uurinud sealset näljahäda.
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
Seega eeldati, et mul on mingi ettekujutus
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
maailma asjadest juba olemas .
Hakkasingi meie meditsiiniülikoolis,
Karolinska Instituudis,
Karolinska Instituudis,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
lugema bakalaureusekursust
„Globaalne tervis“.
„Globaalne tervis“.
Kui saad sellise võimaluse,
hakkad veidi muretsema.
hakkad veidi muretsema.
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
Arvasin, et siia ülikooli tulevad
00:53
coming to us actually have the highest grade you can get
7
28000
3000
vaid Rootsi parimad
gümnaasiumilõpetajad.
gümnaasiumilõpetajad.
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
Mõtlesin, et ehk nad juba teavad kõike,
mida neile õpetama hakkan?
mida neile õpetama hakkan?
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
Nii et lasin neil esmalt teha eeltesti.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Üks küsimus, mis mind ennast
ka haris, oli järgmine:
ka haris, oli järgmine:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
„Millises nendest viiest riigipaarist
on kõige kõrgem laste suremuse tase?“
on kõige kõrgem laste suremuse tase?“
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Panin riigid paaridesse nii,
et igas paaris ühes riigis
et igas paaris ühes riigis
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
oleks laste suremus
kaks korda kõrgem kui teises.
kaks korda kõrgem kui teises.
See tähendab, et erinevus on palju suurem
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
kui lihtsalt tulemuste ebatäpsus.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Ma ei hakka teile seda testi tegema,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
aga siin paaris on Türgi kõrgem,
siin Poola
siin Poola
Venemaa, Pakistan ja Lõuna-Aafrika.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Need siin on Rootsi üliõpilaste tulemused.
Tegin seda nii, et sain
üsna kitsa usaldusvahemiku.
üsna kitsa usaldusvahemiku.
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
Ja loomulikult rõõmustasin –
1.8 õigeid vastuseid viiest võimalikust.
1.8 õigeid vastuseid viiest võimalikust.
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
Seega oli vaja nii rahvusvahelise
tervise professorit kui ka minu kursust.
tervise professorit kui ka minu kursust.
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
01:46
But one late night, when I was compiling the report
22
81000
4000
Aga ühel hilisõhtul,
kui ma aruannet kokku panin,
kui ma aruannet kokku panin,
01:50
I really realized my discovery. I have shown
23
85000
4000
sain aru, mida olin tegelikult avastanud.
Minu tulemused näitasid,
et Rootsi parimad üliõpilased
et Rootsi parimad üliõpilased
01:54
that Swedish top students know statistically significantly less
24
89000
5000
teavad statistiliselt oluliselt vähem
maailma kohta kui šimpansid.
maailma kohta kui šimpansid.
01:59
about the world than the chimpanzees.
25
94000
2000
02:01
(Laughter)
26
96000
2000
(Naer)
Sest šimpansid vastaksid õigesti
pooled küsimused,
pooled küsimused,
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
kui ma annaksin neile kaks banaani
Sri Lanka ja Türgi puhul,
Sri Lanka ja Türgi puhul,
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
oleksid nad õigesti vastanud,
aga õpilased mitte.
aga õpilased mitte.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Minu jaoks polnud probleemiks teadmiste
puudumine, vaid eelarvamused.
puudumine, vaid eelarvamused.
02:14
it was preconceived ideas.
30
109000
3000
Tegin ka ebaeetilise uuringu
Karolinska Instituudi professorite seas,
Karolinska Instituudi professorite seas,
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
02:21
(Laughter)
32
116000
1000
kes annavad välja
Nobeli meditsiinipreemiat,
Nobeli meditsiinipreemiat,
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
02:24
and they are on par with the chimpanzee there.
34
119000
2000
ja nemad on šimpansidega samal tasemel.
02:26
(Laughter)
35
121000
3000
(Naer)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Sel hetkel sain aru,
et meil tõesti vaja sellest rääkida,
et meil tõesti vaja sellest rääkida,
02:33
because the data of what's happening in the world
37
128000
3000
sest andmed selle kohta,
mis maailmas ja laste tervise
valdkonnas igas riigis toimub,
valdkonnas igas riigis toimub,
02:36
and the child health of every country is very well aware.
38
131000
3000
on ju täiesti olemas.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Seega arendasime tarkvara,
mis kuvab seda niimoodi.
mis kuvab seda niimoodi.
Iga mullike siin on riik.
02:44
This country over here is China. This is India.
40
139000
6000
See riik siin on Hiina.
See on India.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Mulli suurus näitab rahvaarvu,
ja sellel teljel on sündimuse tase.
02:56
Because my students, what they said
42
151000
3000
Mida mu tudengid ütlesid,
kui nad vaatasid seda maailma
kui nad vaatasid seda maailma
02:59
when they looked upon the world, and I asked them,
43
154000
2000
ja kui ma küsisin neilt:
„Mida te maailmast päriselt arvate?“
„Mida te maailmast päriselt arvate?“
03:01
"What do you really think about the world?"
44
156000
2000
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Kõigepealt avastasin muidugi,
et õpikus oli palju Tintini.
et õpikus oli palju Tintini.
03:07
(Laughter)
46
162000
1000
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Ja nad vastasid,
„Maailm on endiselt ’meie’ ja ’nemad’.
„Maailm on endiselt ’meie’ ja ’nemad’.
03:11
And we is Western world and them is Third World."
48
166000
3000
Ja ’meie’ on läänemaailm
ning ’nemad’ Kolmas Maailm.“
ning ’nemad’ Kolmas Maailm.“
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
„Mida te läänemaailma all silmas peate?“
küsisin.
küsisin.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
„Noh, see tähendab
pikk elu ja väike perekond.
pikk elu ja väike perekond.
Ja Kolmas Maailm on
lühike elu ja suur perekond.“
lühike elu ja suur perekond.“
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Nii näeb see välja graafikuna.
Panin siia sündimusnäitaja,
laste arv iga naise kohta:
laste arv iga naise kohta:
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
üks, kaks, kolm, neli
kuni kaheksa last naise kohta.
kuni kaheksa last naise kohta.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Meil on head andmed perede suuruse
kohta riikides alates 1962. aastast.
kohta riikides alates 1962. aastast.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Veapiir on väike.
Siin on eeldatav eluiga alates sünnist,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
alates 30. eluaastast mõnes riigis
kuni 70 aastani.
03:45
And 1962, there was really a group of countries here
56
200000
3000
1962. aastal oli tõesti grupp riike,
mis olid tööstusriigid.
mis olid tööstusriigid.
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
Seal olid väikesed pered ja pikk eluiga.
03:53
And these were the developing countries:
58
208000
2000
Ja need olid arengumaad.
03:55
they had large families and they had relatively short lives.
59
210000
3000
Seal olid suured perekonnad
ja suhteliselt lühike eluiga.
ja suhteliselt lühike eluiga.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Mis on aga toimunud alates 1962. aastast?
Tahaks näha, mis on muutunud.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Kas tudengitel on õigus?
Kas on endiselt kahte tüüpi riike?
Kas on endiselt kahte tüüpi riike?
Või on arengumaade pered nüüd
väiksemad ja nad elavad siin?
väiksemad ja nad elavad siin?
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
Või on neil pikem eluiga ja elavad seal?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Vaatame. Me peatasime maailma.
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
Siin on kogu ÜROs olemasolev statistika.
Kas te näete seda?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
See seal on Hiina, liigub
parema tervishoiu poole, edeneb jõudsalt
parema tervishoiu poole, edeneb jõudsalt
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Kõik need rohelised Ladina-Ameerika riigid
liiguvad väiksemate perede poole.
liiguvad väiksemate perede poole.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Need kollased siin on Araabia riigid,
neil on suuremad pered...
neil on suuremad pered...
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
Ei, pikem eluiga,
aga mitte suurem pere.
aga mitte suurem pere.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Aafriklased on rohelised, püsivad paigal.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
See on India,
Indoneesia liigub päris kiirelt edasi.
Indoneesia liigub päris kiirelt edasi.
04:36
(Laughter)
72
251000
1000
80ndatel näete Bangladeshi,
ikka Aafrikaga samal tasemel.
ikka Aafrikaga samal tasemel.
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Bangladesh nüüd.
80ndatel on ime juhtunud.
80ndatel on ime juhtunud.
04:43
the imams start to promote family planning.
75
258000
3000
Imaamid hakkasid toetama pereplaneerimist
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
ja nad on liikunud edasi siia nurka.
90ndatel oli meil kohutav HIV epideemia,
04:51
that takes down the life expectancy of the African countries
77
266000
3000
mis lühendas eeldatavat eluiga Aafrikas.
04:54
and all the rest of them move up into the corner,
78
269000
4000
Ja kõik ülejäänud on liikunud üles nurka,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
kus meil on pikk eluiga ja väike pere,
ja meil on täiesti uus maailm.
05:02
(Applause)
80
277000
13000
(Aplaus)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Kui võrdleme
Ameerika Ühendriike ja Vietnami
Ameerika Ühendriike ja Vietnami
05:20
1964: America had small families and long life;
82
295000
5000
aastal 1964:
Ameerikas olid väikesed pered
ja pikk eluiga,
ja pikk eluiga,
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Vietnamis suured pered ja lühike eluiga.
Ja siis juhtus nii.
05:29
the data during the war indicate that even with all the death,
84
304000
6000
Sõjaaegsed andmed näitavad, et isegi
kõrge suremusega tõusis eeldatav eluiga.
kõrge suremusega tõusis eeldatav eluiga.
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
Aasta lõpus alustati Vietnamis
pereplaneerimisega ja pere suurus vähenes.
pereplaneerimisega ja pere suurus vähenes.
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
05:41
And the United States up there is getting for longer life,
87
316000
3000
Ameerika Ühendriikides, seal üleval,
tõusis eluiga, pere suurus jäi samaks.
tõusis eluiga, pere suurus jäi samaks.
05:44
keeping family size. And in the '80s now,
88
319000
3000
Ja kui 80ndatel loobuti
kommunistlikust plaanimajandusest
kommunistlikust plaanimajandusest
05:47
they give up communist planning and they go for market economy,
89
322000
3000
ja mindi üle turumajandusele,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
oli majandusareng ees
ühiskondlikest muutustest.
ühiskondlikest muutustest.
Tänapäeval on Vietnamis sama eeldatav
eluiga ja pere suurus 2003. aastal
eluiga ja pere suurus 2003. aastal
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
kui Ameerika Ühendriikides
1974. aastal, peale sõda.
1974. aastal, peale sõda.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Ma arvan, et me kõik,
kui me ei vaata andmeid,
kui me ei vaata andmeid,
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
alahindame tohutut muutust,
mis on Aasias toimunud,
mis on Aasias toimunud,
mis toimus sotsiaalsel tasandil enne,
06:14
in social change before we saw the economical change.
95
349000
4000
kui tekkisid muutused majanduses.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Liigume edasi teise vaate juurde,
kus näeb sissetulekute jaotust maailmas.
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
Siin on maailma inimeste sissetulekud.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Üks dollar, 10 või 100 dollarit päevas.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Vahet rikaste ja vaeste vahel
ei eksisteeri enam. See on müüt.
ei eksisteeri enam. See on müüt.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Siin on väike küür.
Aga siin on igal pool inimesed.
Ja kui nüüd vaadata, kuhu
sissetulekud välja jõuavad.
sissetulekud välja jõuavad.
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
Siin on 100%
maailma aastasest sissetulekust.
maailma aastasest sissetulekust.
Kõige rikkamad 20%
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
saavad sellest 74%.
Kõige vaesemad 20%
07:01
they take about two percent. And this shows that the concept
104
396000
5000
saavad sellest umbes 2%.
See näitab, et arengumaade mõiste
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
on äärmiselt küsitav.
Abist mõeldakse nõnda, et need siin,
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
annavad abi nendele, kes on siin.
Aga siin keskel
on ju enamik maailma rahvastikust
on ju enamik maailma rahvastikust
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
Neile kuulub 24% sissetulekutest.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Oleme sellest tegelikult ju kuulnud.
Aga kes need on?
Kus on need erinevad riigid?
Kus on need erinevad riigid?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Võin teile näidata Aafrikat.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
See on Aafrika.
10% maailma rahvaarvust,
enamik neist vaesuses.
enamik neist vaesuses.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
See on OECD.
Rikkad riigid, ÜRO rikaste klubi.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Ja nad on siin teisel pool.
Samas on kattuvus Aafrika ja OECD vahel.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Ja see on Ladina-Ameerika.
Seal on kõike:
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
kõige vaesematest kuni kõige rikkamateni.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Ja selle kõige kõrvale võime asetada
Ida-Euroopa, Ida-Aasia ja Lõuna-Aasia.
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
Aga milline oleks pilt siis,
kui läheksime ajas tagasi,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
näiteks 1970ndatesse?
Siis oli see küür suurem.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Kõige vaesem oli Aasia rahvastik.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Toona oli probleemiks vaesus Aasias.
Kui nüüd kerida aega edasi,
08:14
you will see that while population increase, there are
120
469000
3000
siis näete, et kui rahvaarv kasvas,
pääsesid sajad miljonid Aasias vaesusest,
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
ja mõned teised langesid vaesusesse.
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
Selline on tänapäeva graafik.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Ja Maailmapanga prognooside kohaselt
jõuame sellisesse olukorda.
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
Enam ei oleks kahte eri maailma.
Enamik inimesi paikneks keskel.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Muidugi on see logaritmiline skaala,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
aga meie majanduse kontseptsioon
on protsendikaupa kasvamine.
on protsendikaupa kasvamine.
Arengut vaadeldakse kui
protsentuaalse kasvu võimalust.
protsentuaalse kasvu võimalust.
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
Kui ma nüüd muudan andmeid
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
ja võtan pere sissetuleku asemel
SKT elaniku kohta,
SKT elaniku kohta,
ja muudan üksikindiviidi andmed
regionaalse SKT näitajaks
regionaalse SKT näitajaks
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
ja vaatlen hoopis regioone,
mulli suurus näitab endiselt rahvaarvu,
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
siin on OECD,
ja seal on Sahara-tagune Aafrika,
09:01
and we take off the Arab states there,
132
516000
3000
ja tõstame eraldi Araabia riigid,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
mis on mõlemad Aafrikast ja Aasiast,
ja paneme nad siia,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
nii saame seda telge laiendada
ja lisada uue dimensiooni,
tuues juurde sotsiaalsed väärtused,
laste ellujäämise.
laste ellujäämise.
09:13
by adding the social values there, child survival.
135
528000
3000
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Nii, nüüd on raha sellel teljel
ja teisel on laste ellujäämise statistika.
Mõnedes riikides elab
99.7% lapsi vähemalt 5-aastaseks,
99.7% lapsi vähemalt 5-aastaseks,
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
teistes vaid 70% lapsi.
Ja siin tundub olevat vahe OECD,
Ladina-Ameerika, Ida-Euroopa,
Ladina-Ameerika, Ida-Euroopa,
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
Ida-Aasia, Araabiamaade, Lõuna-
Aasia ja Sahara-taguse Aafrika vahel.
Aasia ja Sahara-taguse Aafrika vahel.
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Lineaarsus laste ellujäämise
ja raha vahel on väga tugev.
ja raha vahel on väga tugev.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Aga võtaks Sahara-taguse Aafrika eraldi.
Tervis on seal
ja parem tervis on seal üleval.
ja parem tervis on seal üleval.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Siin võib Sahara-taguse Aafrika
eraldi riikideks jagada.
eraldi riikideks jagada.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Ja kui mull katki teha, siis
näitab iga riigi mull rahvaarvu.
näitab iga riigi mull rahvaarvu.
Sierra Leone seal all,
Mauritius seal üleval.
Mauritius seal üleval.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Mauritius oli esimene riik,
kus saadi lahti kaubandustõketest,
kus saadi lahti kaubandustõketest,
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
nad said müüa oma suhkrut ja tekstiili
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
võrdsetel tingimustel
Euroopa ja Põhja-Ameerikaga.
Euroopa ja Põhja-Ameerikaga.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Aafrika riigid on väga erinevad.
Ghana on siin keskel.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
Sierra Leone saab humanitaarabi.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Ugandas saab arenguabi.
Siin on hea aeg investeerida,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
sinna võib aga puhkusele minna.
Aafrikas on väga suured erinevused
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
mida me tihti üldse ei arvesta.
Võib võtta eraldi ka Lõuna-Aasia riigid.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
India on suur mull siin keskel.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Afganistani ja Sri Lanka on väga erinevad.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Eraldi võib vaadata ka Araabiamaid.
Kuidas neil läheb?
Sama kliima, sama kultuur,
sama religioon, aga erinevused on suured.
sama religioon, aga erinevused on suured.
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
Isegi naabrite vahel
– Jeemenis on kodusõda,
– Jeemenis on kodusõda,
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Araabia Ühendemiraatides on rikkus
jaotunud üsna võrdselt ja hästi kasutatud.
jaotunud üsna võrdselt ja hästi kasutatud.
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
Mitte nagu kuuldused räägivad.
See käib ka kõikide võõrtööliste
laste kohta, kes seal riigis elavad.
laste kohta, kes seal riigis elavad.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Andmed on tihti paremad kui arvame.
Paljud ütlevad, et andmed on halvad.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Olenemata kaheldavuse marginaalist,
näeme selgeid erinevusi:
näeme selgeid erinevusi:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Kambodža, Singapur.
Erinevused on palju suuremad
kui lihtsalt nõrgad andmed.
kui lihtsalt nõrgad andmed.
11:11
than the weakness of the data. East Europe:
162
646000
3000
Ida-Euroopa:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
pikalt elati plaanimajanduses,
aga 10 aasta möödudes olid riigid
sellest välja tulnud väga erinevalt.
sellest välja tulnud väga erinevalt.
11:20
very, very differently. And there is Latin America.
164
655000
3000
Siin on Ladina-Ameerika.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Pole vaja enam minna Kuubale, et leida
häid tervisenäitajaid Ladina-Ameerikas.
häid tervisenäitajaid Ladina-Ameerikas.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Tšiilis on mõne aasta pärast
laste suremus madalam kui Kuubal.
laste suremus madalam kui Kuubal.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Siin on kõrge sissetulekuga OECD riigid.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Näeme siin ülevaadet kogu maailmast,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
mis suures plaanis näeb välja selline.
Kui vaadata, milline nägi maailm välja
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
1960ndatel
hakkame siit liikuma, 1960ndatel.
See on Mao Zedong.
Tema tõi Hiinasse tervishoiu.
Tema tõi Hiinasse tervishoiu.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Ja siis ta suri.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Siis tuli Deng Xiaoping, kes tõi
Hiinasse raha ning viis tagasi põhivoolu.
Hiinasse raha ning viis tagasi põhivoolu.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Näeme, kuidas riigid
liiguvad eri suundades,
liiguvad eri suundades,
12:02
so it's sort of difficult to get
174
697000
4000
seega on raske tuua välja üks riik,
12:06
an example country which shows the pattern of the world.
175
701000
5000
mille areng peegeldab
üldist globaalset trendi.
üldist globaalset trendi.
Siiski tooksin teid tagasi
kuskile siia, aastasse 1960.
kuskile siia, aastasse 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
Tahaksin võrrelda
Lõuna-Koread, mis on siin,
Brasiiliaga, mis on see siin.
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
Silt kadus mul nüüd ära.
Ja tahaksin võrrelda Ugandat, mis on seal.
12:32
which is there. And I can run it forward, like this.
179
727000
5000
Kerin seda nüüd edasi, niimoodi.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Siin on näha, kuidas Lõuna-Korea
teeb väga kiire arenguhüppe
12:46
whereas Brazil is much slower.
181
741000
3000
samas kui Brasiilia on palju aeglasem.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Ja kui liikuda nüüd tagasi
ja panna neile saba taha,
12:55
you can see again that the speed of development
183
750000
4000
siin on uuesti näha,
et arengu kiirus on väga erinev
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
ja riigid liiguvad üsna samas tempos
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
nii rikkuse kui tervisenäitajate osas,
aga näib, et edasiminek on palju kiirem,
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
kui oled esmalt terve, mitte esmalt rikas.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Selle heaks näiteks on
Araabia Ühendemiraatidid.
Araabia Ühendemiraatidid.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Nad alustasid siit, maavarade riik.
Neil oli palju naftat ja palju raha,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
aga tervist supermarketist osta ei saa.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Tervishoidu tuleb investeerida.
Lapsed tuleb kooli saata.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Tervishoiutöötajaid tuleb koolitada.
Rahvast tuleb harida.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Šeik Zayed tegi seda päris hästi.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Kuigi nafta hind langes,
viis ta riigi ülemiste sekka.
viis ta riigi ülemiste sekka.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Nii et nüüdseks on palju
rohkem riike keskmike seas,
rohkem riike keskmike seas,
kes kõik kasutavad riigi raha
paremini kui minevikus.
paremini kui minevikus.
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
Selline on pilt siis,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
kui vaadata riikide keskmisi näitajaid.
Need on sellised.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
On ohtlik tugineda
keskmistele näitajatele,
keskmistele näitajatele,
sest siseriiklikult on
erinevused palju suuremad.
erinevused palju suuremad.
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
Kui nüüd vaadata lähemalt, siis näeb,
et Uganda on tänasel päeval seal,
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
kus Lõuna-Korea oli 1960. aastal.
Kui jagada Uganda osadeks,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
näeb suuri erinevusi Uganda sees.
Siin on Uganda viiendikeks jagatuna.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Kõige rikkamad 20% on seal.
Kõige vaesemad on siin all.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Lõuna-Aafrika on osade kaupa selline,
kui minna alla ja vaadata Nigerit,
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
kus oli kohutav näljahäda hiljuti,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
on jaotus selline:
20% Nigeeria kõige vaesematest on all,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
20% kõige rikkamatest
Lõuna-Aafrikas on seal üleval
Lõuna-Aafrikas on seal üleval
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
ja ikka arutatakse,
et mida peaks Aafrikas ette võtma.
et mida peaks Aafrikas ette võtma.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Aafrikas on kõike, mis mujalgi maailmas.
Pole vajai rääkida universaalsest
HIV-ravi kättesaadavusest
HIV-ravi kättesaadavusest
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
sellele kvintiilile seal üleval
samal viisil nagu neile siin all.
samal viisil nagu neile siin all.
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
Maailma parandamisel tuleb kindlasti
arvestada kohalikku konteksti,
arvestada kohalikku konteksti,
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
ei saa võtta kogu mandrit ühe piirkonnana,
15:00
on regional level. We must be much more detailed.
212
875000
3000
tuleb arvestada kohalikke detaile.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Tudengid paistsid olevat
nende andmete kasutamisest.
nende andmete kasutamisest.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Ka poliitikud ja ettevõtjad tahaksid
olla kursis, kuidas maailm muutub.
olla kursis, kuidas maailm muutub.
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
Miks siis seda ei tehta?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Miks me ei kasuta olemasolevaid andmeid?
Need andmed on olemas ÜROs,
riikide statistikaametites,
riikide statistikaametites,
15:20
in the national statistical agencies
217
895000
2000
15:22
and in universities and other non-governmental organizations.
218
897000
4000
ülikoolides ja MTÜdes.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Aga andmed on peidetud andmebaasidesse.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
On olemas inimesed ja internet,
aga neid pole ikka veel
efektiivselt kasutatud.
efektiivselt kasutatud.
15:33
All that information we saw changing in the world
221
908000
3000
Kõik see info muutuste kohta maailmas,
ei sisalda riigieelarvest
rahastatud statistikat.
rahastatud statistikat.
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
On olemas mõned sellised veebilehed,
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
mis põhinevad andmebaasides oleval infol,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
aga selle eest küsitakse kohe raha,
pannakse peale mingi salasõna,
näidatakse igavat statistikat.
15:51
(Laughter) (Applause)
225
926000
3000
(Naer)
Ja nii see ei toimi.
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
(Aplaus)
Mida siis teha?
Andmebaasid on olemas.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Uusi andmebaase pole vaja.
On olemas suurepärased kujundusprogrammid
16:02
and more and more are added up here. So we started
228
937000
3000
neid tuleb pidevalt juurde.
Tegime MTÜ,
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
mille eesmärgiks on ühendada
andmed ja graafiline disain,
andmed ja graafiline disain,
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
selle nimeks sai Gapminder,
nagu Londoni metroos, kus
hoiatatakse rongi minnes „Märka vahet!“
hoiatatakse rongi minnes „Märka vahet!“
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
Seega tundus Gapminder hästi klappivat.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Hakkasime looma tarkvara,
mille abil andmeid koondada.
mille abil andmeid koondada.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Ja see ei olnudki nii raske,
võttis mõned inimaastad.
võttis mõned inimaastad.
Oleme teinud animatsioone.
16:26
You can take a data set and put it there.
234
961000
2000
Võite võtta baasandmed ja panna sinna.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Teeme kättesaadavaks ÜRO andmeid.
Mõned ÜRO allorganisatsioonid
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
ja mõned riigid lubavad
oma andmeid laiemalt avaldada.
oma andmeid laiemalt avaldada.
16:37
but what we really need is, of course, a search function.
237
972000
3000
Aga mida oleks tegelikult vaja,
on otsingu funktsioon.
on otsingu funktsioon.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Otsinguprogramm, kus saaks andmed
kopeerida otsitavasse formaati
kopeerida otsitavasse formaati
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
ja teha nähtavaks kogu maailmale.
Ja mida siis vastuseks kuuleme?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Olen koostanud antropoloogia
peamiste statistikakogujate kohta.
peamiste statistikakogujate kohta.
Kõik ütlevad: „See on võimatu!
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
Seda ei saa teha!
Meie informatsioon on niivõrd eriline,
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
et seda ei saagi otsingusse panna,
samas kui muud saab.
samas kui muud saab.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Me ei saa ju andmeid tasuta jagada
tudengitele ja kogu maailma ärimeestele.
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Aga seda just olekski vaja!
17:08
The publicly-funded data is down here.
245
1003000
3000
Riigi rahadega kogutud
andmed on pinnaseks,
andmed on pinnaseks,
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
kust võiks kasvada välja uhkeid õisi.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
On oluline, et neid saaks otsinguga leida
ja erinevate disainivahenditega
graafiliselt esitada.
graafiliselt esitada.
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
Ja mul on teile häid uudised.
Saan öelda, et ÜRO uus statistikadirektor
ei ütlegi, et see on võimatu.
ei ütlegi, et see on võimatu.
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
17:30
He only says, "We can't do it."
251
1025000
2000
Ta lihtsalt ütleb: „Me ei saa seda teha.“
17:32
(Laughter)
252
1027000
4000
(Naer)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
Ja ta on ju päris tark mees, eks?
17:38
(Laughter)
254
1033000
2000
Järgnevatel aastatel on andmete
vallas oodata nii mõndagi.
vallas oodata nii mõndagi.
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Saab võimalikuks vaadata
sissetulekute jaotust täiesti uutmoodi.
sissetulekute jaotust täiesti uutmoodi.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
See on Hiina sissetulekute
jaotus 1970. aastal.
jaotus 1970. aastal.
See on sissetulekute jaotus
Ameerika Ühendriikides 1970. aastal.
Ameerika Ühendriikides 1970. aastal.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
Kattuvust praktiliselt ei ole.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Ja mis on juhtunud?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Juhtunud on see, et Hiina muudkui kasvab,
enam ei ole kõik võrdsed,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
aina vajub laiemaks USA poole,
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
peaaegu nagu tont, kas pole?
18:14
(Laughter)
263
1069000
2000
Päris hirmutav, eks?
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
(Naer)
Ma arvan, et kogu see info on oluline.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Me peame seda nägema.
Ja selle asemel, et seda lihtsalt vaadata,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
tahaksin lõpetuseks näidata
internetikasutajate arvu
1000 elaniku kohta.
1000 elaniku kohta.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Selle tarkvara abil saab ligi
umbes 500 näitajale kõikides riikides.
umbes 500 näitajale kõikides riikides.
18:42
It takes some time to change for this,
268
1097000
4000
Võtab natuke aega, et pilti muuta,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
aga graafikusse saab hõlpsalt panna
mis iganes näitajaid, mille vastu huvi on.
mis iganes näitajaid, mille vastu huvi on.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Eesmärk olekski need andmebaasid
tasuta üles saada ja otsitavaks teha,
tasuta üles saada ja otsitavaks teha,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
ja teise klikiga panna nad graafikusse,
et neid oleks lihtne mõista.
et neid oleks lihtne mõista.
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Statistikutele see ei meeldi,
sest nende arvates ei peegelda
see tingimata reaalsust
see tingimata reaalsust
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
Tuleks kasutada statistika
analüütilisi meetodeid.
analüütilisi meetodeid.
19:16
But this is hypothesis-generating.
275
1131000
3000
Aga see on pigem
hüpoteeside genereerimine.
hüpoteeside genereerimine.
Lõpetan nüüd maailmaga...
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Ja sealt tulebki internet!
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Internetikasutajate arv muudkui kasvab.
See on SKT inimese kohta.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Ja see on uus tehnoloogia,
kui imeliselt hästi läheb see
samas joones riikide majandusega!
samas joones riikide majandusega!
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
Sellepärast on 100-dollarine
arvuti nii oluline.
arvuti nii oluline.
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
See on kena tendents.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Tundub justkui maailm tasanduks, kas pole?
Need riigid tõusevad rohkem
kui lihtsalt majandus
kui lihtsalt majandus
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
ja seda oleks ajateljel põnev jälgida,
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
nagu soovin, et ka teie saaksite teha
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
kõigi riigi raha eest kogutud andmetega.
Tänan teid!
19:53
(Applause)
285
1168000
3000
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