ABOUT THE SPEAKER
Geoffrey West - Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed.

Why you should listen

Trained as a theoretical physicist, Geoffrey West has turned his analytical mind toward the inner workings of more concrete things, like ... animals. In a paper for Science in 1997, he and his team uncovered what he sees as a surprisingly universal law of biology — the way in which heart rate, size and energy consumption are related, consistently, across most living animals. (Though not all animals: “There are always going to be people who say, ‘What about the crayfish?’ " he says. “Well, what about it? Every fundamental law has exceptions. But you still need the law or else all you have is observations that don’t make sense.")

A past president of the multidisciplinary Santa Fe Institute (after decades working  in high-energy physics at Los Alamos and Stanford), West now studies the behavior and development of cities. In his newest work, he proposes that one simple number, population, can predict a stunning array of details about any city, from crime rate to economic activity. It's all about the plumbing, he says, the infrastructure that powers growth or dysfunction. His next target for study: corporations.

He says: "Focusing on the differences [between cities] misses the point. Sure, there are differences, but different from what? We’ve found the what."

More profile about the speaker
Geoffrey West | Speaker | TED.com
TEDGlobal 2011

Geoffrey West: The surprising math of cities and corporations

Geoffrey West : Les maths surprenantes des villes et des compagnies

Filmed:
1,583,030 views

Le physicien Geoffrey West a découvert que des lois mathématiques simples gouvernent les propriétés des villes : on peut déduire la richesse, la criminalité, la vitesse de marche et de nombreux autres aspects d'une ville d'après un seul chiffre, celui de la population de la ville. Dans cette époustouflante conférence donnée à TEDGlobal, il montre comment cela fonctionne et comment des lois similaires s'appliquent à des organismes et des entreprises.
- Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed. Full bio

Double-click the English transcript below to play the video.

00:16
CitiesVilles are the cruciblecreuset of civilizationcivilisation.
0
1000
3000
Les villes sont le creuset de la civilisation.
00:19
They have been expandingexpansion,
1
4000
2000
Elles se développent,
00:21
urbanizationurbanisation has been expandingexpansion,
2
6000
2000
l'urbanisation se développe,
00:23
at an exponentialexponentiel ratetaux in the last 200 yearsannées
3
8000
2000
de manière exponentielle ces 200 dernières années,
00:25
so that by the secondseconde partpartie of this centurysiècle,
4
10000
3000
au point que d'ici 2050,
00:28
the planetplanète will be completelycomplètement dominateddominé
5
13000
2000
la planète sera complètement
00:30
by citiesvilles.
6
15000
3000
dominée par les villes.
00:33
CitiesVilles are the originsorigines of globalglobal warmingéchauffement,
7
18000
3000
Les villes sont à l'origine du réchauffement climatique,
00:36
impactimpact on the environmentenvironnement,
8
21000
2000
ont un impact sur l'environnement,
00:38
healthsanté, pollutionla pollution, diseasemaladie,
9
23000
3000
la santé, la pollution, les maladies,
00:41
financela finance,
10
26000
2000
la finance,
00:43
economieséconomies, energyénergie --
11
28000
3000
les économies, l'énergie :
00:46
they're all problemsproblèmes
12
31000
2000
voilà tous les problèmes
00:48
that are confrontedconfronté by havingayant citiesvilles.
13
33000
2000
que nous devons affronter car nous avons les villes.
00:50
That's where all these problemsproblèmes come from.
14
35000
2000
C'est de là que viennent tous ces problèmes.
00:52
And the tsunamitsunami of problemsproblèmes that we feel we're facingorienté vers
15
37000
3000
Et le tsunami de problèmes que nous avons l'impression
00:55
in termstermes of sustainabilitydurabilité questionsdes questions
16
40000
2000
d'avoir en face de nous quand il s'agit de développement durable
00:57
are actuallyréellement a reflectionréflexion
17
42000
2000
est en fait un reflet
00:59
of the exponentialexponentiel increaseaugmenter
18
44000
2000
de l'accroissement exponentiel
01:01
in urbanizationurbanisation acrossà travers the planetplanète.
19
46000
3000
de l'urbanisation sur la planète.
01:04
Here'sVoici some numbersNombres.
20
49000
2000
Voilà des chiffres.
01:06
Two hundredcent yearsannées agodepuis, the UnitedUnie StatesÉtats
21
51000
2000
Il y a 200 ans, les Etats-Unis
01:08
was lessMoins than a fewpeu percentpour cent urbanizedurbanisé.
22
53000
2000
n'étaient urbanisés qu'à quelques pourcents.
01:10
It's now more than 82 percentpour cent.
23
55000
2000
Aujourd'hui c'est à plus de 82 %.
01:12
The planetplanète has crossedfranchi the halfwayà mi-chemin markmarque a fewpeu yearsannées agodepuis.
24
57000
3000
La planète a passé la barre des 50% il y a quelques années.
01:15
China'sDe Chine buildingbâtiment 300 newNouveau citiesvilles
25
60000
2000
La Chine va construire 300 nouvelles villes
01:17
in the nextprochain 20 yearsannées.
26
62000
2000
dans les 20 prochaines années.
01:19
Now listen to this:
27
64000
2000
Maintenant écoutez ça :
01:21
EveryChaque weekla semaine for the foreseeableprévisibles futureavenir,
28
66000
3000
Chaque semaine du futur prévisible,
01:24
untiljusqu'à 2050,
29
69000
2000
jusqu'en 2050,
01:26
everychaque weekla semaine more than a millionmillion people
30
71000
2000
chaque semaine plus d'un million de personnes
01:28
are beingétant addedajoutée to our citiesvilles.
31
73000
2000
se rajoutent à nos villes.
01:30
This is going to affectaffecter everything.
32
75000
2000
Cela va tout affecter.
01:32
EverybodyTout le monde in this roomchambre, if you stayrester alivevivant,
33
77000
2000
Tout le monde dans cette salle, si vous êtes toujours en vie,
01:34
is going to be affectedaffecté
34
79000
2000
vous serez affectés
01:36
by what's happeningévénement in citiesvilles
35
81000
2000
par ce qui se passe dans les villes
01:38
in this extraordinaryextraordinaire phenomenonphénomène.
36
83000
2000
dans cet extraordinaire phénomène.
01:40
HoweverCependant, citiesvilles,
37
85000
3000
Cependant, les villes,
01:43
despitemalgré havingayant this negativenégatif aspectaspect to them,
38
88000
3000
malgré cet aspect négatif
01:46
are alsoaussi the solutionSolution.
39
91000
2000
sont aussi la solution.
01:48
Because citiesvilles are the vacuumvide cleanersproduits de nettoyage and the magnetsaimants
40
93000
4000
Parce que les villes sont les aspirateurs et les aimants
01:52
that have suckedaspiré up creativeCréatif people,
41
97000
2000
qui ont aspiré les gens créatifs,
01:54
creatingcréer ideasidées, innovationinnovation,
42
99000
2000
les idées créatives, l'innovation,
01:56
wealthrichesse and so on.
43
101000
2000
la richesse etc.
01:58
So we have this kindgentil of dualdouble naturela nature.
44
103000
2000
Nous avons cette dualité.
02:00
And so there's an urgenturgent need
45
105000
3000
Et il y a donc un besoin urgent
02:03
for a scientificscientifique theorythéorie of citiesvilles.
46
108000
4000
d'une théorie scientifique des villes.
02:07
Now these are my comradescamarades in armsbras.
47
112000
3000
Voici mes compagnons d'armes.
02:10
This work has been doneterminé with an extraordinaryextraordinaire groupgroupe of people,
48
115000
2000
Ce travail a été fait avec un groupe de gens extraordinaires,
02:12
and they'veils ont doneterminé all the work,
49
117000
2000
et ils ont fait tout le travail,
02:14
and I'm the great bullshitterbullshitter
50
119000
2000
et moi je suis celui qui raconte des âneries
02:16
that triesessais to bringapporter it all togetherensemble.
51
121000
2000
et qui essaye de rassembler le tout.
02:18
(LaughterRires)
52
123000
2000
(Rires)
02:20
So here'svoici the problemproblème: This is what we all want.
53
125000
2000
Donc voici le problème : Voilà ce que nous voulons tous.
02:22
The 10 billionmilliard people on the planetplanète in 2050
54
127000
3000
Les 10 millions de gens sur la planète en 2050
02:25
want to livevivre in placesdes endroits like this,
55
130000
2000
veulent vivre dans des endroits comme ça,
02:27
havingayant things like this,
56
132000
2000
avoir des choses comme ça,
02:29
doing things like this,
57
134000
2000
en faisant des choses comme ça,
02:31
with economieséconomies that are growingcroissance like this,
58
136000
3000
avec des économies qui ont une croissance comme celle-là,
02:34
not realizingréaliser that entropyentropie
59
139000
2000
sans se rendre compte que l'entropie
02:36
producesproduit things like this,
60
141000
2000
produit des choses comme ça,
02:38
this, this
61
143000
4000
ça, ça,
02:42
and this.
62
147000
2000
et ça.
02:44
And the questionquestion is:
63
149000
2000
Et la question est :
02:46
Is that what EdinburghEdinburgh and LondonLondres and NewNouveau YorkYork
64
151000
2000
Est-ce à ça que ressembleront Édimbourg,
02:48
are going to look like in 2050,
65
153000
2000
Londres et New York en 2050,
02:50
or is it going to be this?
66
155000
2000
ou à ceci?
02:52
That's the questionquestion.
67
157000
2000
Voilà la question.
02:54
I mustdoit say, manybeaucoup of the indicatorsindicateurs
68
159000
2000
Je dois dire, de nombreux indicateurs
02:56
look like this is what it's going to look like,
69
161000
3000
laissent penser que ça va ressembler à ça,
02:59
but let's talk about it.
70
164000
3000
mais parlons-en.
03:02
So my provocativeprovocante statementdéclaration
71
167000
3000
J'affirme avec provocation
03:05
is that we desperatelydésespérément need a serioussérieux scientificscientifique theorythéorie of citiesvilles.
72
170000
3000
quenous avons désespérément besoin d'une théorie scientifique des villes.
03:08
And scientificscientifique theorythéorie meansveux dire quantifiablequantifiable --
73
173000
3000
Et une théorie scientifique signifie quantifiable,
03:11
relyingen s’appuyant on underlyingsous-jacent genericgénérique principlesdes principes
74
176000
3000
qui s'appuie sur des principes génériques sous-jacents
03:14
that can be madefabriqué into a predictiveprédictive frameworkcadre.
75
179000
2000
qu'on peut transformer en base prédictive.
03:16
That's the questquête.
76
181000
2000
Voilà la quête.
03:18
Is that conceivableconcevable?
77
183000
2000
Est-ce concevable?
03:20
Are there universaluniversel lawslois?
78
185000
2000
Y a-t’il des lois universelles?
03:22
So here'svoici two questionsdes questions
79
187000
2000
Alors voici deux questions
03:24
that I have in my headtête when I think about this problemproblème.
80
189000
2000
que j'ai en tête quand je pense à ce problème.
03:26
The first is:
81
191000
2000
La première est :
03:28
Are citiesvilles partpartie of biologyla biologie?
82
193000
2000
Les villes font-elles partie de la biologie?
03:30
Is LondonLondres a great biggros whalebaleine?
83
195000
2000
Londres est-elle une grosse baleine?
03:32
Is EdinburghEdinburgh a horsecheval?
84
197000
2000
Édimbourg est-elle un cheval?
03:34
Is MicrosoftMicrosoft a great biggros anthillfourmilière?
85
199000
2000
Microsoft est-il une grande fourmilière?
03:36
What do we learnapprendre from that?
86
201000
2000
Qu'apprenons-nous de ça?
03:38
We use them metaphoricallymétaphoriquement --
87
203000
2000
Nous les utilisons métaphoriquement,
03:40
the DNAADN of a companycompagnie, the metabolismmétabolisme of a cityville, and so on --
88
205000
2000
l'ADN d'une entreprise, le métabolisme d'une ville, etc.
03:42
is that just bullshitconnerie, metaphoricalmétaphorique bullshitconnerie,
89
207000
3000
est-ce des âneries, des âneries métaphoriques,
03:45
or is there serioussérieux substancesubstance to it?
90
210000
3000
ou est-ce qu'il y a du vrai là-dedans?
03:48
And if that is the caseCas,
91
213000
2000
Et si c'est le cas,
03:50
how come that it's very harddifficile to killtuer a cityville?
92
215000
2000
comment se fait-il que tuer une ville soit très difficile?
03:52
You could droplaissez tomber an atomatome bombbombe on a cityville,
93
217000
2000
On peut lâcher une bombe atomique sur une ville,
03:54
and 30 yearsannées laterplus tard it's survivingsurvivant.
94
219000
2000
et 30 ans plus tard elle survit.
03:56
Very fewpeu citiesvilles failéchouer.
95
221000
3000
Très peu de villes échouent.
03:59
All companiesentreprises diemourir, all companiesentreprises.
96
224000
3000
Toutes les entreprises meurent, toutes les compagnies.
04:02
And if you have a serioussérieux theorythéorie, you should be ablecapable to predictprédire
97
227000
2000
Et si vous avez une théorie sérieuse, vous devriez pouvoir prédire
04:04
when GoogleGoogle is going to go bustbuste.
98
229000
3000
le moment où Google fera faillite.
04:07
So is that just anotherun autre versionversion
99
232000
3000
Alors est-ce seulement une autre version
04:10
of this?
100
235000
2000
de ceci?
04:12
Well we understandcomprendre this very well.
101
237000
2000
Et nous comprenons ceci très bien.
04:14
That is, you askdemander any genericgénérique questionquestion about this --
102
239000
2000
C'est-à-dire, vous posez n'importe quelle question générique là-dessus,
04:16
how manybeaucoup treesdes arbres of a givendonné sizeTaille,
103
241000
2000
combien d'arbres d'une certaine taille,
04:18
how manybeaucoup branchesbranches of a givendonné sizeTaille does a treearbre have,
104
243000
2000
combien de branches d'une taille donnée un arbre possède,
04:20
how manybeaucoup leavesfeuilles,
105
245000
2000
combien de feuilles,
04:22
what is the energyénergie flowingécoulement throughpar eachchaque branchbranche,
106
247000
2000
quelle est l'énergie qui coule dans chaque branche,
04:24
what is the sizeTaille of the canopycanopée,
107
249000
2000
quelle est la taille de la canopée,
04:26
what is its growthcroissance, what is its mortalitymortalité?
108
251000
2000
quelle est sa croissance, quelle est sa mortalité?
04:28
We have a mathematicalmathématique frameworkcadre
109
253000
2000
Nous avons un cadre mathématique
04:30
basedbasé on genericgénérique universaluniversel principlesdes principes
110
255000
3000
basé sur des principes universels génériques
04:33
that can answerrépondre those questionsdes questions.
111
258000
2000
qui peuvent répondre à ces questions.
04:35
And the ideaidée is can we do the sameMême for this?
112
260000
4000
Et l'idée est de savoir si nous pouvons faire la même chose pour ça?
04:40
So the routeroute in is recognizingreconnaissant
113
265000
3000
Alors pour y parvenir, nous devons reconnaître
04:43
one of the mostles plus extraordinaryextraordinaire things about life,
114
268000
2000
une des caractéristiques les plus extraordinaires de la vie,
04:45
is that it is scalableévolutif,
115
270000
2000
le fait qu'elle est évolutive,
04:47
it workstravaux over an extraordinaryextraordinaire rangegamme.
116
272000
2000
elle travaille sur une gamme extraordinaire.
04:49
This is just a tinyminuscule rangegamme actuallyréellement:
117
274000
2000
Ceci est en fait une gamme minuscule ;
04:51
It's us mammalsmammifères;
118
276000
2000
c'est nous, les mammifères,
04:53
we're one of these.
119
278000
2000
nous en faisons partie.
04:55
The sameMême principlesdes principes, the sameMême dynamicsdynamique,
120
280000
2000
Les mêmes principes, la même dynamique,
04:57
the sameMême organizationorganisation is at work
121
282000
2000
la même organisation est à l'œuvre
04:59
in all of these, includingcomprenant us,
122
284000
2000
dans tous ces mammifères, nous y compris,
05:01
and it can scaleéchelle over a rangegamme of 100 millionmillion in sizeTaille.
123
286000
3000
et la taille peut varier de 1 à un million.
05:04
And that is one of the mainprincipale reasonsles raisons
124
289000
3000
Et c'est une des principales raisons
05:07
life is so resilientrésiliente and robustrobuste --
125
292000
2000
la vie est tellement résiliente et robuste,
05:09
scalabilityévolutivité.
126
294000
2000
c'est le potentiel d'échelle.
05:11
We're going to discussdiscuter that in a momentmoment more.
127
296000
3000
Nous en discuterons dans un moment.
05:14
But you know, at a locallocal levelniveau,
128
299000
2000
Mais vous savez, au niveau local,
05:16
you scaleéchelle; everybodyTout le monde in this roomchambre is scaledescaladé.
129
301000
2000
vous ajustez l'échelle, tout le monde dans cette pièce est ajusté à l'échelle.
05:18
That's calledappelé growthcroissance.
130
303000
2000
C'est ce qu'on appelle la croissance
05:20
Here'sVoici how you grewgrandi.
131
305000
2000
Voici comment vous grandissez.
05:22
RatRat, that's a ratrat -- could have been you.
132
307000
2000
C'est un rat, ça aurait pu être vous.
05:24
We're all prettyjoli much the sameMême.
133
309000
3000
Nous sommes tous assez semblables.
05:27
And you see, you're very familiarfamilier with this.
134
312000
2000
Et vous voyez, vous connaissez bien ça.
05:29
You growcroître very quicklyrapidement and then you stop.
135
314000
2000
Vous grandissez très vite, puis vous vous arrêtez.
05:31
And that lineligne there
136
316000
2000
Et cette ligne là,
05:33
is a predictionprédiction from the sameMême theorythéorie,
137
318000
2000
est une prédiction de la même théorie,
05:35
basedbasé on the sameMême principlesdes principes,
138
320000
2000
basée sur les mêmes principes,
05:37
that describesdécrit that forestforêt.
139
322000
2000
qui décrit cette forêt.
05:39
And here it is for the growthcroissance of a ratrat,
140
324000
2000
Et voici en ce qui concerne la croissance du rat.
05:41
and those pointspoints on there are dataLes données pointspoints.
141
326000
2000
Et ces points là dessus sont des points de données.
05:43
This is just the weightpoids versuscontre the ageâge.
142
328000
2000
Il ne s'agit que du poids par rapport à l'âge.
05:45
And you see, it stopsarrêts growingcroissance.
143
330000
2000
Et vous voyez, il s'arrête de grandir.
05:47
Very, very good for biologyla biologie --
144
332000
2000
Très, très bon pour la biologie,
05:49
alsoaussi one of the reasonsles raisons for its great resiliencerésistance.
145
334000
2000
c'est aussi une des raisons pour sa grande résilience.
05:51
Very, very badmal
146
336000
2000
Très, très mauvais
05:53
for economieséconomies and companiesentreprises and citiesvilles
147
338000
2000
pour les économies, les compagnies, et les villes
05:55
in our presentprésent paradigmparadigme.
148
340000
2000
dans notre paradigme actuel.
05:57
This is what we believe.
149
342000
2000
C'est ce que nous croyons.
05:59
This is what our wholeentier economyéconomie
150
344000
2000
C'est ce que toute notre économie
06:01
is thrustingestoc uponsur us,
151
346000
2000
nous impose,
06:03
particularlyparticulièrement illustratedillustrée in that left-handmain gauche cornercoin:
152
348000
3000
particulièrement illustré dans le coin à gauche ;
06:06
hockeyle hockey sticksbâtons.
153
351000
2000
des crosses de hockey.
06:08
This is a bunchbouquet of softwareLogiciel companiesentreprises --
154
353000
2000
Ce sont quelques compagnies informatiques,
06:10
and what it is is theirleur revenuerevenu versuscontre theirleur ageâge --
155
355000
2000
et ce dont il s'agit c'est leur revenu par rapport à leur âge,
06:12
all zoomingZoom away,
156
357000
2000
qui ont une progression fulgurante,
06:14
and everybodyTout le monde makingfabrication millionsdes millions and billionsdes milliards of dollarsdollars.
157
359000
2000
et elles gagnent toutes des millions et des milliards de dollars.
06:16
Okay, so how do we understandcomprendre this?
158
361000
3000
Bon, alors comment comprenons-nous ceci?
06:19
So let's first talk about biologyla biologie.
159
364000
3000
Alors parlons d'abord de la biologie.
06:22
This is explicitlyexplicitement showingmontrer you
160
367000
2000
Cela vous montre clairement
06:24
how things scaleéchelle,
161
369000
2000
comment les choses évoluent.
06:26
and this is a trulyvraiment remarkableremarquable graphgraphique.
162
371000
2000
Et c'est un graphique vraiment remarquable.
06:28
What is plottedtracés here is metabolicmétabolique ratetaux --
163
373000
3000
Ce qu'on représente ici c'est le métabolisme,
06:31
how much energyénergie you need perpar day to stayrester alivevivant --
164
376000
3000
la quantité d'énergie par jour nécessaire pour rester en vie,
06:34
versuscontre your weightpoids, your massMasse,
165
379000
2000
par rapport à votre poids, votre masse,
06:36
for all of us bunchbouquet of organismsorganismes.
166
381000
3000
pour nous tous qui sommes des organismes.
06:39
And it's plottedtracés in this funnydrôle way by going up by factorsfacteurs of 10,
167
384000
3000
Et la représentation est bizarrement présentée dans une croissance en facteurs de 10,
06:42
otherwiseautrement you couldn'tne pouvait pas get everything on the graphgraphique.
168
387000
2000
sans quoi on ne pourrait pas tout mettre sur le graphique.
06:44
And what you see if you plotterrain it
169
389000
2000
Et ce que vous voyez si vous le tracez
06:46
in this slightlylégèrement curiouscurieuse way
170
391000
2000
de cette curieuse manière,
06:48
is that everybodyTout le monde liesmentir on the sameMême lineligne.
171
393000
3000
c'est que tout le monde est sur la même ligne.
06:51
DespiteMalgré the factfait that this is the mostles plus complexcomplexe and diversediverse systemsystème
172
396000
3000
En dépit du fait que c'est le système le plus complexe et le plus varié
06:54
in the universeunivers,
173
399000
3000
dans l'univers,
06:57
there's an extraordinaryextraordinaire simplicitysimplicité
174
402000
2000
il y a une extraordinaire simplicité
06:59
beingétant expressedexprimé by this.
175
404000
2000
exprimée ici.
07:01
It's particularlyparticulièrement astonishingétonnant
176
406000
3000
C'est particulièrement étonnant
07:04
because eachchaque one of these organismsorganismes,
177
409000
2000
parce que chacun de ces organismes,
07:06
eachchaque subsystemsous-système ", eachchaque cellcellule typetype, eachchaque genegène,
178
411000
2000
chaque sous-système, chaque type de cellule, chaque gène,
07:08
has evolvedévolué in its ownposséder uniqueunique environmentalenvironnement nicheniche
179
413000
4000
a évolué dans sa propre niche environnementale unique
07:12
with its ownposséder uniqueunique historyhistoire.
180
417000
3000
avec sa propre histoire unique.
07:15
And yetencore, despitemalgré all of that DarwinianDarwinienne evolutionévolution
181
420000
3000
Et pourtant, en dépit de toute cette évolution darwinienne
07:18
and naturalNaturel selectionsélection,
182
423000
2000
et cette sélection naturelle,
07:20
they'veils ont been constrainedcontraint to liemensonge on a lineligne.
183
425000
2000
ils ont été contraints à se placer sur une ligne.
07:22
Something elseautre is going on.
184
427000
2000
Il se passe autre chose.
07:24
Before I talk about that,
185
429000
2000
Avant que je n'en parle,
07:26
I've writtenécrit down at the bottombas there
186
431000
2000
j'ai écrit ici en bas
07:28
the slopepente of this curvecourbe, this straighttout droit lineligne.
187
433000
2000
la pente de la courbe, cette ligne droite.
07:30
It's three-quarterstrois quarts, roughlygrossièrement,
188
435000
2000
Ce sont les 3 quarts, en gros,
07:32
whichlequel is lessMoins than one -- and we call that sublinearSUBLINÉAIRE.
189
437000
3000
c'est moins qu’un, et nous appelons ça sublinéaire.
07:35
And here'svoici the pointpoint of that.
190
440000
2000
Et voilà à quoi ça sert.
07:37
It saysdit that, if it were linearlinéaire,
191
442000
3000
Cela dit que, si c'était linéaire,
07:40
the steepestplus raide slopepente,
192
445000
2000
la pente la plus raide,
07:42
then doublingdoubler the sizeTaille
193
447000
2000
puis en doublant la taille
07:44
you would requireexiger doubledouble the amountmontant of energyénergie.
194
449000
2000
vous auriez besoin de doubler la quantité d'énergie.
07:46
But it's sublinearSUBLINÉAIRE, and what that translatesse traduit par into
195
451000
3000
Mais c'est sublinéaire, et cela se traduit ainsi,
07:49
is that, if you doubledouble the sizeTaille of the organismorganisme,
196
454000
2000
si vous doublez la taille de l'organisme,
07:51
you actuallyréellement only need 75 percentpour cent more energyénergie.
197
456000
3000
vous n'avez en fait besoin que de 75% d'énergie supplémentaire.
07:54
So a wonderfulformidable thing about all of biologyla biologie
198
459000
2000
Alors ce qui est merveilleux avec toute la biologie
07:56
is that it expressesexprime an extraordinaryextraordinaire economyéconomie of scaleéchelle.
199
461000
3000
c'est qu'elle exprime une extraordinaire économie d'échelle.
07:59
The biggerplus gros you are systematicallysystématiquement,
200
464000
2000
Plus vous êtes grand systématiquement,
08:01
accordingselon to very well-definedbien défini rulesrègles,
201
466000
2000
selon des règles très bien définies,
08:03
lessMoins energyénergie perpar capitatête.
202
468000
3000
moins vous avez besoin d'énergie par tête.
08:06
Now any physiologicalphysiologique variablevariable you can think of,
203
471000
3000
Maintenant, toute variable physiologique,
08:09
any life historyhistoire eventun événement you can think of,
204
474000
2000
toute histoire de vie,
08:11
if you plotterrain it this way, looksregards like this.
205
476000
3000
si vous la tracez comme ça, elle ressemble à ça.
08:14
There is an extraordinaryextraordinaire regularityrégularité.
206
479000
2000
Il y a une régularité extraordinaire.
08:16
So you tell me the sizeTaille of a mammalmammifère,
207
481000
2000
Alors vous me donnez la taille d'un mammifère,
08:18
I can tell you at the 90 percentpour cent levelniveau everything about it
208
483000
3000
je peux vous dire à hauteur de 90 % tout sur lui
08:21
in termstermes of its physiologyphysiologie, life historyhistoire, etcetc.
209
486000
4000
quant à sa physiologie, l'histoire de sa vie, etc.
08:25
And the reasonraison for this is because of networksréseaux.
210
490000
3000
Et c'est à cause des réseaux.
08:28
All of life is controlledcontrôlé by networksréseaux --
211
493000
3000
Toute vie est contrôlée par des réseaux,
08:31
from the intracellularintracellulaire throughpar the multicellularmulticellulaire
212
496000
2000
de la vie intracellulaire à la vie extracellulaire
08:33
throughpar the ecosystemécosystème levelniveau.
213
498000
2000
en passant par l'écosystème.
08:35
And you're very familiarfamilier with these networksréseaux.
214
500000
3000
Et vous êtes familiers avec ces réseaux.
08:39
That's a little thing that livesvies insideà l'intérieur an elephantl'éléphant.
215
504000
3000
C'est une petite chose qui vit à l'intérieur d'un éléphant.
08:42
And here'svoici the summaryRésumé of what I'm sayingen disant.
216
507000
3000
Et ici vous voyez le résumé de ce que je dis.
08:45
If you take those networksréseaux,
217
510000
2000
Si vous prenez ces réseaux,
08:47
this ideaidée of networksréseaux,
218
512000
2000
cette idée de réseaux,
08:49
and you applyappliquer universaluniversel principlesdes principes,
219
514000
2000
et que vous appliquez des principes universels,
08:51
mathematizablemathematizable, universaluniversel principlesdes principes,
220
516000
2000
qu'on peut mettre en mathématiques, des principes universels,
08:53
all of these scalingsbattitures
221
518000
2000
toutes ces évaluations d'échelle
08:55
and all of these constraintscontraintes followsuivre,
222
520000
3000
et toutes ces contraintes suivent,
08:58
includingcomprenant the descriptionla description of the forestforêt,
223
523000
2000
y compris la description de la forêt,
09:00
the descriptionla description of your circulatorysystème circulatoire systemsystème,
224
525000
2000
la description de votre système circulatoire,
09:02
the descriptionla description withindans cellscellules.
225
527000
2000
la description à l'intérieur des cellules.
09:04
One of the things I did not stressstress in that introductionintroduction
226
529000
3000
Une des choses sur laquelle je n'ai pas insisté dans l'introduction
09:07
was that, systematicallysystématiquement, the pacerythme of life
227
532000
3000
c'est que systématiquement, l'allure de la vie
09:10
decreasesdiminue as you get biggerplus gros.
228
535000
2000
diminue alors que vous devenez plus grand.
09:12
HeartCoeur ratesles taux are slowerRalentissez; you livevivre longerplus long;
229
537000
3000
Les rythmes cardiaques sont plus lents ; vous vivez plus longtemps ;
09:15
diffusionla diffusion of oxygenoxygène and resourcesRessources
230
540000
2000
la diffusion d'oxygène et de ressources
09:17
acrossà travers membranesmembranes is slowerRalentissez, etcetc.
231
542000
2000
au travers des membranes est plus lente etc.
09:19
The questionquestion is: Is any of this truevrai
232
544000
2000
La question est : est-ce qu'il y a du vrai là dedans
09:21
for citiesvilles and companiesentreprises?
233
546000
3000
pour les villes et les compagnies?
09:24
So is LondonLondres a scaledescaladé up BirminghamBirmingham,
234
549000
3000
Alors est-ce que Londres est une Birmingham en plus grand,
09:27
whichlequel is a scaledescaladé up BrightonBrighton, etcetc., etcetc.?
235
552000
3000
à son tour une Brighton en plus grand, etc.?
09:30
Is NewNouveau YorkYork a scaledescaladé up SanSan FranciscoFrancisco,
236
555000
2000
Est-ce que New York est un San Francisco en plus grand,
09:32
whichlequel is a scaledescaladé up SantaSanta FeFe?
237
557000
2000
à son tour Un Santa Fe en plus grand?
09:34
Don't know. We will discussdiscuter that.
238
559000
2000
Je ne sais pas. Nous en discuterons.
09:36
But they are networksréseaux,
239
561000
2000
Mais il y a des réseaux.
09:38
and the mostles plus importantimportant networkréseau of citiesvilles
240
563000
2000
Et le réseau le plus important des villes,
09:40
is you.
241
565000
2000
c'est vous.
09:42
CitiesVilles are just a physicalphysique manifestationmanifestation
242
567000
3000
Les villes ne sont qu'une manifestation physique
09:45
of your interactionsinteractions,
243
570000
2000
de vos interactions,
09:47
our interactionsinteractions,
244
572000
2000
nos interactions,
09:49
and the clusteringmise en cluster and groupingregroupement of individualspersonnes.
245
574000
2000
et les regroupements d'individus.
09:51
Here'sVoici just a symbolicsymbolique picturephoto of that.
246
576000
3000
En voici une image symbolique.
09:54
And here'svoici scalingmise à l'échelle of citiesvilles.
247
579000
2000
Et voici l'échelle des villes.
09:56
This showsmontre that in this very simplesimple exampleExemple,
248
581000
3000
Ceci montre que dans cet exemple très simple,
09:59
whichlequel happensarrive to be a mundanebanal exampleExemple
249
584000
2000
et qui est un exemple ordinaire,
10:01
of numbernombre of petrolessence stationsstations
250
586000
2000
du nombre de stations service
10:03
as a functionfonction of sizeTaille --
251
588000
2000
en tant que fonction de taille,
10:05
plottedtracés in the sameMême way as the biologyla biologie --
252
590000
2000
tracé de la même manière que la biologie,
10:07
you see exactlyexactement the sameMême kindgentil of thing.
253
592000
2000
vous voyez exactement le même genre de chose.
10:09
There is a scalingmise à l'échelle.
254
594000
2000
Il y a une échelle.
10:11
That is that the numbernombre of petrolessence stationsstations in the cityville
255
596000
4000
C'est que le nombre de stations service dans la ville
10:15
is now givendonné to you
256
600000
2000
vous est donné
10:17
when you tell me its sizeTaille.
257
602000
2000
quand vous me dites sa taille.
10:19
The slopepente of that is lessMoins than linearlinéaire.
258
604000
3000
La pente en est moins linéaire.
10:22
There is an economyéconomie of scaleéchelle.
259
607000
2000
Il y a une économie d'échelle.
10:24
LessMoins petrolessence stationsstations perpar capitatête the biggerplus gros you are -- not surprisingsurprenant.
260
609000
3000
Moins de stations service par tête plus vous êtes grand, ce n'est pas surprenant.
10:27
But here'svoici what's surprisingsurprenant.
261
612000
2000
Mais voilà ce qui est surprenant.
10:29
It scalesBalance in the sameMême way everywherepartout.
262
614000
2000
L'échelle s'étend de la même manière partout.
10:31
This is just EuropeanEuropéenne countriesdes pays,
263
616000
2000
Ce n'est que pour les pays européens,
10:33
but you do it in JapanJapon or ChinaLa Chine or ColombiaColombie,
264
618000
3000
mais vous le faites pour le Japon, la Chine, ou la Colombie,
10:36
always the sameMême
265
621000
2000
toujours la même chose
10:38
with the sameMême kindgentil of economyéconomie of scaleéchelle
266
623000
2000
avec la même économie d'échelle
10:40
to the sameMême degreedegré.
267
625000
2000
au même degré.
10:42
And any infrastructureInfrastructure you look at --
268
627000
3000
Et quelle que soit l'infrastructure,
10:45
whetherqu'il s'agisse it's the lengthlongueur of roadsroutes, lengthlongueur of electricalélectrique lineslignes --
269
630000
3000
que ce soit la longueur des routes, la longueur des lignes électriques,
10:48
anything you look at
270
633000
2000
quoi que vous regardiez,
10:50
has the sameMême economyéconomie of scaleéchelle scalingmise à l'échelle in the sameMême way.
271
635000
3000
cela aura la même économie d'échelle qui s'étend de la même manière.
10:53
It's an integratedintégré systemsystème
272
638000
2000
C'est un système intégré
10:55
that has evolvedévolué despitemalgré all the planningPlanification and so on.
273
640000
3000
qui a évolué malgré toute la planification etc.
10:58
But even more surprisingsurprenant
274
643000
2000
Mais encore plus surprenant,
11:00
is if you look at socio-economicsocio-économique quantitiesquantités,
275
645000
2000
si vous regardez les quantités socio-économiques,
11:02
quantitiesquantités that have no analoganalogique in biologyla biologie,
276
647000
3000
les quantités qui n'ont rien d'analogue dans la biologie,
11:05
that have evolvedévolué when we startedcommencé formingformant communitiescommunautés
277
650000
3000
qui ont évolué quand nous avons commencé à former des communautés
11:08
eighthuit to 10,000 yearsannées agodepuis.
278
653000
2000
il y a 8 à 10 000 ans.
11:10
The topHaut one is wagesles salaires as a functionfonction of sizeTaille
279
655000
2000
Celle d'en haut, ce sont les salaires en fonction de la taille
11:12
plottedtracés in the sameMême way.
280
657000
2000
tracée de la même manière.
11:14
And the bottombas one is you lot --
281
659000
2000
Et celle d'en bas c'est vous,
11:16
super-creativesSuper-creatives plottedtracés in the sameMême way.
282
661000
3000
des super-créatifs tracés de la même manière.
11:19
And what you see
283
664000
2000
Et ce que vous voyez
11:21
is a scalingmise à l'échelle phenomenonphénomène.
284
666000
2000
c'est un phénomène d'échelle.
11:23
But mostles plus importantimportant in this,
285
668000
2000
Mais le plus important,
11:25
the exponentexposant, the analoganalogique to that three-quarterstrois quarts
286
670000
2000
l'exposant, l'analogue à ces 3 quarts
11:27
for the metabolicmétabolique ratetaux,
287
672000
2000
pour le métabolisme,
11:29
is biggerplus gros than one -- it's about 1.15 to 1.2.
288
674000
2000
est plus grand que celui-ci, de 1,15 à 1,2 fois.
11:31
Here it is,
289
676000
2000
Et le voici,
11:33
whichlequel saysdit that the biggerplus gros you are
290
678000
3000
qui dit que plus vous êtes grand,
11:36
the more you have perpar capitatête, unlikecontrairement à biologyla biologie --
291
681000
3000
plus vous avez par tête, contrairement à la biologie,
11:39
higherplus haute wagesles salaires, more super-creativeSuper-creative people perpar capitatête as you get biggerplus gros,
292
684000
4000
des salaires plus élevés, plus de super-créatifs par tête quand vous êtes plus grand,
11:43
more patentsbrevets perpar capitatête, more crimela criminalité perpar capitatête.
293
688000
3000
plus de brevets par têtes, plus de crimes par tête.
11:46
And we'venous avons lookedregardé at everything:
294
691000
2000
Et nous avons tout vu :
11:48
more AIDSSIDA casescas, flugrippe, etcetc.
295
693000
3000
Les cas de SIDA, la grippe, etc.
11:51
And here, they're all plottedtracés togetherensemble.
296
696000
2000
Et ici, ils sont tous tracés ensemble.
11:53
Just to showmontrer you what we plottedtracés,
297
698000
2000
Juste pour vous montrer ce que nous avons tracé,
11:55
here is incomele revenu, GDPPIB --
298
700000
3000
voici le revenu, le PIB,
11:58
GDPPIB of the cityville --
299
703000
2000
le PIB de la ville,
12:00
crimela criminalité and patentsbrevets all on one graphgraphique.
300
705000
2000
les crimes et les brevets, le tout sur un même graphique.
12:02
And you can see, they all followsuivre the sameMême lineligne.
301
707000
2000
Et vous pouvez voir, ils suivent tous la même ligne.
12:04
And here'svoici the statementdéclaration.
302
709000
2000
Et voici ce que ça dit.
12:06
If you doubledouble the sizeTaille of a cityville from 100,000 to 200,000,
303
711000
3000
Si vous doublez la taille d'une ville de 100 000 à 200 000,
12:09
from a millionmillion to two millionmillion, 10 to 20 millionmillion,
304
714000
2000
d'un million à 2 millions, de 10 à 20 millions
12:11
it doesn't mattermatière,
305
716000
2000
ça n'a pas d'importance,
12:13
then systematicallysystématiquement
306
718000
2000
alors systématiquement
12:15
you get a 15 percentpour cent increaseaugmenter
307
720000
2000
vous obtenez une augmentation de 15%
12:17
in wagesles salaires, wealthrichesse, numbernombre of AIDSSIDA casescas,
308
722000
2000
des salaires, de la richesse, du nombre de cas de SIDA,
12:19
numbernombre of policepolice,
309
724000
2000
du nombre de policiers,
12:21
anything you can think of.
310
726000
2000
tout ce que vous pouvez imaginer.
12:23
It goesva up by 15 percentpour cent,
311
728000
2000
Cela augmente de 15%.
12:25
and you have a 15 percentpour cent savingsdes économies
312
730000
3000
Et vous avez une économie de 15%
12:28
on the infrastructureInfrastructure.
313
733000
3000
sur l'infrastructure.
12:31
This, no doubtdoute, is the reasonraison
314
736000
3000
C'est sans aucun doute la raison
12:34
why a millionmillion people a weekla semaine are gatheringrassemblement in citiesvilles.
315
739000
3000
pour laquelle un million de gens par semaine se rassemble dans les villes.
12:37
Because they think that all those wonderfulformidable things --
316
742000
3000
Parce qu'ils pensent que toutes ces choses merveilleuses,
12:40
like creativeCréatif people, wealthrichesse, incomele revenu --
317
745000
2000
comme les créatifs, la richesse, le revenu,
12:42
is what attractsattire them,
318
747000
2000
c'est ce qui les attire,
12:44
forgettingoubli about the uglylaid and the badmal.
319
749000
2000
en oubliant ce qui est laid et ce qui est mauvais.
12:46
What is the reasonraison for this?
320
751000
2000
Quelle en est la raison?
12:48
Well I don't have time to tell you about all the mathematicsmathématiques,
321
753000
3000
Je n'ai pas le temps de vous parler de toutes les mathématiques,
12:51
but underlyingsous-jacent this is the socialsocial networksréseaux,
322
756000
3000
mais les réseaux sociaux sont sous-jacents ici.
12:54
because this is a universaluniversel phenomenonphénomène.
323
759000
3000
parce que c'est un phénomène universel.
12:57
This 15 percentpour cent ruleRègle
324
762000
3000
Cette règle des 15%
13:00
is truevrai
325
765000
2000
est vraie
13:02
no mattermatière where you are on the planetplanète --
326
767000
2000
où que vous soyez sur la planète,
13:04
JapanJapon, ChileChili,
327
769000
2000
au Japon, au Chili,
13:06
PortugalPortugal, ScotlandEcosse, doesn't mattermatière.
328
771000
3000
au Portugal, en Écosse, ça n'a pas d'importance.
13:09
Always, all the dataLes données showsmontre it's the sameMême,
329
774000
3000
Toutes les données montrent toujours qu'elle est la même
13:12
despitemalgré the factfait that these citiesvilles have evolvedévolué independentlyindépendamment.
330
777000
3000
en dépit du fait que ces villes ont évolué de manière indépendante.
13:15
Something universaluniversel is going on.
331
780000
2000
Il se passe quelque chose d'universel.
13:17
The universalityuniversalité, to repeatrépéter, is us --
332
782000
3000
L'universalité, je le répète, c'est nous,
13:20
that we are the cityville.
333
785000
2000
le fait que nous sommes la ville.
13:22
And it is our interactionsinteractions and the clusteringmise en cluster of those interactionsinteractions.
334
787000
3000
Et ce sont nos interactions et les regroupements de ces interactions.
13:25
So there it is, I've said it again.
335
790000
2000
Alors voilà, je l'ai redit.
13:27
So if it is those networksréseaux and theirleur mathematicalmathématique structurestructure,
336
792000
3000
Si ce sont ces réseaux et leurs structures mathématiques,
13:30
unlikecontrairement à biologyla biologie, whichlequel had sublinearSUBLINÉAIRE scalingmise à l'échelle,
337
795000
3000
contrairement à la biologie, qui avait une échelle sublinéaire,
13:33
economieséconomies of scaleéchelle,
338
798000
2000
des économies d'échelles,
13:35
you had the slowingralentir of the pacerythme of life
339
800000
2000
vous aviez le ralentissement de l'allure de la vie
13:37
as you get biggerplus gros.
340
802000
2000
quand vous devenez plus grand.
13:39
If it's socialsocial networksréseaux with super-linearSuper-linéaire scalingmise à l'échelle --
341
804000
2000
Si ce sont les réseaux sociaux avec une échelle super-linéaire,
13:41
more perpar capitatête --
342
806000
2000
plus par tête,
13:43
then the theorythéorie saysdit
343
808000
2000
alors la théorie dit
13:45
that you increaseaugmenter the pacerythme of life.
344
810000
2000
que vous augmentez l'allure de la vie.
13:47
The biggerplus gros you are, life getsobtient fasterPlus vite.
345
812000
2000
Plus vous êtes grand, plus la vie accélère.
13:49
On the left is the heartcœur ratetaux showingmontrer biologyla biologie.
346
814000
2000
À gauche, c'est le rythme cardiaque qui montre la biologie.
13:51
On the right is the speedla vitesse of walkingen marchant
347
816000
2000
A droite, c'est la vitesse de marche
13:53
in a bunchbouquet of EuropeanEuropéenne citiesvilles,
348
818000
2000
dans un tas de villes européennes,
13:55
showingmontrer that increaseaugmenter.
349
820000
2000
qui montre cette augmentation.
13:57
LastlyEnfin, I want to talk about growthcroissance.
350
822000
3000
Pour finir, je veux parler de croissance.
14:00
This is what we had in biologyla biologie, just to repeatrépéter.
351
825000
3000
Voilà ce que nous avions dans la biologie, je le répète.
14:03
EconomiesÉconomies of scaleéchelle
352
828000
3000
Des économies d'échelle
14:06
gavea donné riseaugmenter to this sigmoidalsigmoïde behaviorcomportement.
353
831000
3000
ont donné naissance à ce comportement sigmoïde.
14:09
You growcroître fastvite and then stop --
354
834000
3000
Vous grandissez vite puis vous vous arrêtez,
14:12
partpartie of our resiliencerésistance.
355
837000
2000
ça fait partie de notre résilience.
14:14
That would be badmal for economieséconomies and citiesvilles.
356
839000
3000
Ce serait mauvais pour les économies et pour les villes.
14:17
And indeedeffectivement, one of the wonderfulformidable things about the theorythéorie
357
842000
2000
Et bien sûr, une des choses merveilleuses de cette théorie
14:19
is that if you have super-linearSuper-linéaire scalingmise à l'échelle
358
844000
3000
est que si vous avez une échelle super-linéaire
14:22
from wealthrichesse creationcréation and innovationinnovation,
359
847000
2000
de la création de richesse et l'innovation
14:24
then indeedeffectivement you get, from the sameMême theorythéorie,
360
849000
3000
alors vous obtenez, par la même théorie,
14:27
a beautifulbeau risingen hausse exponentialexponentiel curvecourbe -- lovelycharmant.
361
852000
2000
une belle courbe qui monte exponentiellement, superbe.
14:29
And in factfait, if you comparecomparer it to dataLes données,
362
854000
2000
Et en fait, si vous la comparez aux données,
14:31
it fitsconvient very well
363
856000
2000
ça colle très bien
14:33
with the developmentdéveloppement of citiesvilles and economieséconomies.
364
858000
2000
avec le développement des villes et des économies.
14:35
But it has a terribleterrible catchcapture,
365
860000
2000
Mais il y a un terrible piège.
14:37
and the catchcapture
366
862000
2000
Et le piège
14:39
is that this systemsystème is destineddestiné to collapseeffondrer.
367
864000
3000
est que ce système est destiné à s'effondrer.
14:42
And it's destineddestiné to collapseeffondrer for manybeaucoup reasonsles raisons --
368
867000
2000
Et il est destiné à s'effondrer pour de nombreuses raisons,
14:44
kindgentil of MalthusianMalthusienne reasonsles raisons -- that you runcourir out of resourcesRessources.
369
869000
3000
des raisons plutôt malthusiennes, c'est-à-dire que vous tombez à court de ressources.
14:47
And how do you avoidéviter that? Well we'venous avons doneterminé it before.
370
872000
3000
Et comment éviter ça? Et bien nous l'avons déjà fait.
14:50
What we do is,
371
875000
2000
Ce que nous faisons c'est,
14:52
as we growcroître and we approachapproche the collapseeffondrer,
372
877000
3000
alors que nous grandissons et approchons de l'effondrement,
14:55
a majorMajeur innovationinnovation takes placeendroit
373
880000
3000
une innovation majeure a lieu
14:58
and we startdébut over again,
374
883000
2000
et nous recommençons à zéro.
15:00
and we startdébut over again as we approachapproche the nextprochain one, and so on.
375
885000
3000
Et nous recommençons à zéro alors que nous approchons de la suivante etc.
15:03
So there's this continuouscontinu cyclecycle of innovationinnovation
376
888000
2000
Il y a donc ce cycle continu d'innovation
15:05
that is necessarynécessaire
377
890000
2000
qui est nécessaire
15:07
in ordercommande to sustainsoutenir growthcroissance and avoidéviter collapseeffondrer.
378
892000
3000
pour soutenir la croissance et éviter l'effondrement.
15:10
The catchcapture, howevertoutefois, to this
379
895000
2000
Cependant, le piège
15:12
is that you have to innovateinnover
380
897000
2000
est que vous devez innover
15:14
fasterPlus vite and fasterPlus vite and fasterPlus vite.
381
899000
3000
de plus en plus vite.
15:17
So the imageimage
382
902000
2000
Alors l'image
15:19
is that we're not only on a treadmilltapis de course that's going fasterPlus vite,
383
904000
3000
est que nous sommes non seulement sur un tapis de course qui va très vite,
15:22
but we have to changechangement the treadmilltapis de course fasterPlus vite and fasterPlus vite.
384
907000
3000
mais nous devons changer le tapis de course de plus en plus vite.
15:25
We have to accelerateaccélérer on a continuouscontinu basisbase.
385
910000
3000
Nous devons accélérer continuellement.
15:28
And the questionquestion is: Can we, as socio-economicsocio-économique beingsêtres,
386
913000
3000
Et la question est : pouvons-nous, en tant qu'êtres socio-économiques
15:31
avoidéviter a heartcœur attackattaque?
387
916000
3000
éviter la crise cardiaque?
15:34
So lastlyenfin, I'm going to finishterminer up in this last minuteminute or two
388
919000
3000
Alors finalement, je vais terminer cette dernière minute
15:37
askingdemandant about companiesentreprises.
389
922000
2000
en posant des questions sur les compagnies.
15:39
See companiesentreprises, they scaleéchelle.
390
924000
2000
Voyez les compagnies, elles évoluent en échelle.
15:41
The topHaut one, in factfait, is WalmartWal-Mart on the right.
391
926000
2000
Celle d'en haut, en fait, est Walmart à droite.
15:43
It's the sameMême plotterrain.
392
928000
2000
C'est le même tracé.
15:45
This happensarrive to be incomele revenu and assetsles atouts
393
930000
2000
Il se trouve qu'il s'agit de revenus et d'actifs
15:47
versuscontre the sizeTaille of the companycompagnie as denotednotée by its numbernombre of employeesemployés.
394
932000
2000
par rapport à la taille de la compagnie tel qu'indiqué par son nombre d'employés.
15:49
We could use salesVentes, anything you like.
395
934000
3000
Nous pourrions utiliser les ventes, tout ce que vous voulez.
15:52
There it is: after some little fluctuationsfluctuations at the beginningdébut,
396
937000
3000
C'est là : après quelques petites fluctuations au début,
15:55
when companiesentreprises are innovatinginnover,
397
940000
2000
quand les compagnies innovent
15:57
they scaleéchelle beautifullymagnifiquement.
398
942000
2000
elles évoluent parfaitement selon l’échelle.
15:59
And we'venous avons lookedregardé at 23,000 companiesentreprises
399
944000
3000
Et nous avons examiné 23 000 compagnies,
16:02
in the UnitedUnie StatesÉtats, maymai I say.
400
947000
2000
aux États-Unis, si je peux dire.
16:04
And I'm only showingmontrer you a little bitbit of this.
401
949000
3000
Et je ne vous en montre qu'un petit bout.
16:07
What is astonishingétonnant about companiesentreprises
402
952000
2000
Ce qui est étonnant avec ces compagnies
16:09
is that they scaleéchelle sublinearlysublinearly
403
954000
3000
c'est qu'elles suivent une échelle sublinéaire
16:12
like biologyla biologie,
404
957000
2000
comme la biologie,
16:14
indicatingindiquant that they're dominateddominé,
405
959000
2000
ce qui indique qu'elles ne sont pas dominées,
16:16
not by super-linearSuper-linéaire
406
961000
2000
par des innovations et des idées
16:18
innovationinnovation and ideasidées;
407
963000
3000
sublinéaires ;
16:21
they becomedevenir dominateddominé
408
966000
2000
elles tombent sous la domination
16:23
by economieséconomies of scaleéchelle.
409
968000
2000
des économies d'échelle.
16:25
In that interpretationinterprétation,
410
970000
2000
Dans cette interprétation,
16:27
by bureaucracybureaucratie and administrationadministration,
411
972000
2000
celles de la bureaucratie et de l'administration,
16:29
and they do it beautifullymagnifiquement, maymai I say.
412
974000
2000
et si je peux dire, elles le font magnifiquement.
16:31
So if you tell me the sizeTaille of some companycompagnie, some smallpetit companycompagnie,
413
976000
3000
Alors si vous me donnez la taille d'une compagnie, d'une petite compagnie,
16:34
I could have predictedprédit the sizeTaille of WalmartWal-Mart.
414
979000
3000
j'aurais pu prédire la taille de Wallmart.
16:37
If it has this sublinearSUBLINÉAIRE scalingmise à l'échelle,
415
982000
2000
Si elle suit cette échelle sublinéaire,
16:39
the theorythéorie saysdit
416
984000
2000
la théorie dit
16:41
we should have sigmoidalsigmoïde growthcroissance.
417
986000
3000
que nous devrions avoir une croissance sigmoïde.
16:44
There's WalmartWal-Mart. Doesn't look very sigmoidalsigmoïde.
418
989000
2000
Walmart est là. Il n'a pas l'air très sigmoïde.
16:46
That's what we like, hockeyle hockey sticksbâtons.
419
991000
3000
Voilà ce que nous aimons, des crosses de hockey.
16:49
But you noticeremarquer, I've cheatedtriché,
420
994000
2000
Mais vous remarquez, j'ai triché,
16:51
because I've only gonedisparu up to '94.
421
996000
2000
parce que je ne suis allé que jusqu'en 1994.
16:53
Let's go up to 2008.
422
998000
2000
Allons jusqu'en 2008.
16:55
That redrouge lineligne is from the theorythéorie.
423
1000000
3000
Cette ligne rouge vient de la théorie.
16:58
So if I'd have doneterminé this in 1994,
424
1003000
2000
Alors si j'avais fait ça en 1994,
17:00
I could have predictedprédit what WalmartWal-Mart would be now.
425
1005000
3000
j'aurais pu prédire ce que Walmart serait aujourd’hui.
17:03
And then this is repeatedrépété
426
1008000
2000
Et puis ceci se répète
17:05
acrossà travers the entiretout spectrumspectre of companiesentreprises.
427
1010000
2000
à travers tout le spectre des compagnies.
17:07
There they are. That's 23,000 companiesentreprises.
428
1012000
3000
Les voilà. 23 000 compagnies.
17:10
They all startdébut looking like hockeyle hockey sticksbâtons,
429
1015000
2000
Elles commencent toutes par ressembler à des crosses de hockey,
17:12
they all bendpliez over,
430
1017000
2000
elles plient toutes,
17:14
and they all diemourir like you and me.
431
1019000
2000
et elles meurent toutes comme vous et moi.
17:16
Thank you.
432
1021000
2000
Merci.
17:18
(ApplauseApplaudissements)
433
1023000
9000
(Applaudissements)
Translated by Elisabeth Buffard
Reviewed by Anna Cristiana Minoli

▲Back to top

ABOUT THE SPEAKER
Geoffrey West - Theorist
Physicist Geoffrey West believes that complex systems from organisms to cities are in many ways governed by simple laws -- laws that can be discovered and analyzed.

Why you should listen

Trained as a theoretical physicist, Geoffrey West has turned his analytical mind toward the inner workings of more concrete things, like ... animals. In a paper for Science in 1997, he and his team uncovered what he sees as a surprisingly universal law of biology — the way in which heart rate, size and energy consumption are related, consistently, across most living animals. (Though not all animals: “There are always going to be people who say, ‘What about the crayfish?’ " he says. “Well, what about it? Every fundamental law has exceptions. But you still need the law or else all you have is observations that don’t make sense.")

A past president of the multidisciplinary Santa Fe Institute (after decades working  in high-energy physics at Los Alamos and Stanford), West now studies the behavior and development of cities. In his newest work, he proposes that one simple number, population, can predict a stunning array of details about any city, from crime rate to economic activity. It's all about the plumbing, he says, the infrastructure that powers growth or dysfunction. His next target for study: corporations.

He says: "Focusing on the differences [between cities] misses the point. Sure, there are differences, but different from what? We’ve found the what."

More profile about the speaker
Geoffrey West | Speaker | TED.com