ABOUT THE SPEAKER
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.

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.


More profile about the speaker
Hans Rosling | Speaker | TED.com
TED2006

Hans Rosling: The best stats you've ever seen

Hans Rosling présente les meilleures statistiques jamais vues

Filmed:
14,386,844 views

Vous n'avez jamais vu des données présentées de cette façon. Adoptant le sens dramatique et pressant d'un reporter sportif, le gourou des statistiques Hans Rosling démythifie le soi-disant "monde en voie de développement".
- 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

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

00:25
About 10 yearsannées agodepuis, I tooka pris on the tasktâche to teachapprendre globalglobal developmentdéveloppement
0
0
4000
Il y a 10 ans de cela, j'ai accepté d'enseigner le développement global
00:29
to SwedishSuédois undergraduatepremier cycle studentsélèves. That was after havingayant spentdépensé
1
4000
4000
à des étudiants suédois. Je venais de passer
00:33
about 20 yearsannées togetherensemble with AfricanAfricain institutionsinstitutions studyingen train d'étudier hungerfaim in AfricaL’Afrique,
2
8000
4000
20 ans à étudier la faim en Afrique avec des institutions,
00:37
so I was sortTrier of expectedattendu to know a little about the worldmonde.
3
12000
4000
donc je connaissais un peu le sujet.
00:41
And I startedcommencé in our medicalmédical universityUniversité, KarolinskaKarolinska InstituteInstitut,
4
16000
5000
J'ai démarré un cours appelé Santé globale dans notre
00:46
an undergraduatepremier cycle coursecours calledappelé GlobalGlobal HealthSanté. But when you get
5
21000
4000
université médicale, Karolinska Institute.
00:50
that opportunityopportunité, you get a little nervousnerveux. I thought, these studentsélèves
6
25000
3000
j'avais un peu le trac, je dois dire. Après tout, ces étudiants
00:53
comingvenir to us actuallyréellement have the highestle plus élevé gradequalité you can get
7
28000
3000
étaient extrêmement brillants,
00:56
in SwedishSuédois collegeUniversité systemssystèmes -- so, I thought, maybe they know everything
8
31000
3000
les meilleurs du pays... peut-être qu'ils savaient déjà
00:59
I'm going to teachapprendre them about. So I did a pre-testpré-test when they camevenu.
9
34000
4000
tout ce que je comptais leur apprendre. J'ai donc fait un petit test avant de commencer.
01:03
And one of the questionsdes questions from whichlequel I learnedappris a lot was this one:
10
38000
3000
Et il y a une question qui m'a permis d'apprendre beaucoup de choses :
01:06
"WhichQui countryPays has the highestle plus élevé childenfant mortalitymortalité of these fivecinq pairspaires?"
11
41000
4000
"Sur ces cinq paires, quel est le pays qui a la mortalité infantile la plus élevée ?"
01:10
And I put them togetherensemble, so that in eachchaque pairpaire of countryPays,
12
45000
4000
Dans chaque paire proposée,
01:14
one has twicedeux fois the childenfant mortalitymortalité of the other. And this meansveux dire that
13
49000
5000
l'un des pays avait une mortalité infantile deux fois plus importante que l'autre.
01:19
it's much biggerplus gros a differencedifférence than the uncertaintyincertitude of the dataLes données.
14
54000
5000
Ça fait une grosse différence.
01:24
I won'thabitude put you at a testtester here, but it's TurkeyTurquie,
15
59000
2000
Je ne vais pas vous demander de faire le test, mais c'est la Turquie,
01:26
whichlequel is highestle plus élevé there, PolandPologne, RussiaRussie, PakistanPakistan and SouthSud AfricaL’Afrique.
16
61000
5000
la Pologne, la Russie, le Pakistan et l'Afrique du Sud.
01:31
And these were the resultsrésultats of the SwedishSuédois studentsélèves. I did it so I got
17
66000
3000
Et voici les résultats des étudiants suédois. J'ai eu
01:34
the confidenceconfiance intervalintervalle de, whichlequel is prettyjoli narrowétroit, and I got happycontent,
18
69000
3000
une intervalle de confidence, et j'étais ravi des résultats.
01:37
of coursecours: a 1.8 right answerrépondre out of fivecinq possiblepossible. That meansveux dire that
19
72000
4000
1,8 bonne réponse sur les cinq possibles. Cela voulait dire
01:41
there was a placeendroit for a professorprofesseur of internationalinternational healthsanté --
20
76000
3000
qu'il y avait une place pour un professeur et
01:44
(LaughterRires) and for my coursecours.
21
79000
2000
(rires) pour mes cours.
01:46
But one lateen retard night, when I was compilingla compilation the reportrapport
22
81000
4000
Mais un soir, alors que je compilais le rapport,
01:50
I really realizedréalisé my discoveryDécouverte. I have shownmontré
23
85000
4000
je me suis rendu compte de quelque chose. J'ai démontré
01:54
that SwedishSuédois topHaut studentsélèves know statisticallystatistiquement significantlysignificativement lessMoins
24
89000
5000
que les étudiants suédois les plus brillants avaient, statistiquement parlant,
01:59
about the worldmonde than the chimpanzeeschimpanzés.
25
94000
2000
moins de connaissances sur le monde que les chimpanzés.
02:01
(LaughterRires)
26
96000
2000
(Rires).
02:03
Because the chimpanzeechimpanzé would scoreBut halfmoitié right if I gavea donné them
27
98000
4000
Parce que les chimpanzés auraient 50 % de bonnes réponses
02:07
two bananasbananes with SriSri LankaLanka and TurkeyTurquie. They would be right halfmoitié of the casescas.
28
102000
3000
si je leur donnais deux bananes avec le Sri Lanka et la Turquie.
02:10
But the studentsélèves are not there. The problemproblème for me was not ignoranceignorance;
29
105000
4000
Mais pas les étudiants. Le problème pour moi, ce n'était pas l'ignorance,
02:14
it was preconceivedpréconçues ideasidées.
30
109000
3000
c'était les idées préconçues.
02:17
I did alsoaussi an unethicalcontraire à l’éthique studyétude of the professorsles professeurs of the KarolinskaKarolinska InstituteInstitut
31
112000
4000
J'ai également réalisé une étude contraire à l'éthique sur les professeurs du Karolinska Institute,
02:21
(LaughterRires)
32
116000
1000
(rires)
02:22
-- that handsmains out the NobelPrix Nobel PrizePrix in MedicineMédecine,
33
117000
2000
cet institut qui décerne le prix Nobel de médecine,
02:24
and they are on parnominale with the chimpanzeechimpanzé there.
34
119000
2000
et dans ce cas, les professeurs sont au niveau des chimpanzés.
02:26
(LaughterRires)
35
121000
3000
(Rires).
02:29
This is where I realizedréalisé that there was really a need to communicatecommuniquer,
36
124000
4000
C'est là que je me suis rendu compte qu'il y avait un besoin de communication
02:33
because the dataLes données of what's happeningévénement in the worldmonde
37
128000
3000
car les informations sur ce qui se passe dans le monde,
02:36
and the childenfant healthsanté of everychaque countryPays is very well awareconscient.
38
131000
3000
sur la santé des enfants dans tous les pays, ces informations existent.
02:39
We did this softwareLogiciel whichlequel displaysaffichages it like this: everychaque bubblebulle here is a countryPays.
39
134000
5000
On a créé un logiciel qui fonctionne de la façon suivante : chaque bulle correspond à un pays.
02:44
This countryPays over here is ChinaLa Chine. This is IndiaInde.
40
139000
6000
Ce pays là, c'est la Chine. Là, c'est l'Inde.
02:50
The sizeTaille of the bubblebulle is the populationpopulation, and on this axisaxe here I put fertilityla fertilité ratetaux.
41
145000
6000
La taille de la bulle correspond à la population du pays, et cet axe là, c'est le taux de fécondité.
02:56
Because my studentsélèves, what they said
42
151000
3000
Parce qu'en fait, mes étudiants...
02:59
when they lookedregardé uponsur the worldmonde, and I askeda demandé them,
43
154000
2000
quand ils ont regardé le monde, et que je leur ai demandé :
03:01
"What do you really think about the worldmonde?"
44
156000
2000
"Que pensez-vous du monde ?"...
03:03
Well, I first discovereddécouvert that the textbookcahier de texte was TintinTintin, mainlyprincipalement.
45
158000
4000
J'ai découvert que c'était un livre de Tintin.
03:07
(LaughterRires)
46
162000
1000
(Rires).
03:08
And they said, "The worldmonde is still 'we'« Nous » and 'them' eux.'
47
163000
3000
Ils m'ont répondu : "Le monde est toujours divisé entre 'nous' et 'eux'.
03:11
And we is WesternWestern worldmonde and them is ThirdTierce WorldMonde."
48
166000
3000
Nous, c'est les Occidentaux, eux, le Tiers monde."
03:14
"And what do you mean with WesternWestern worldmonde?" I said.
49
169000
3000
"C'est quoi le monde occidental pour vous ?"
03:17
"Well, that's long life and smallpetit familyfamille, and ThirdTierce WorldMonde is shortcourt life and largegrand familyfamille."
50
172000
5000
"Une vie longue, une famille réduite... dans le Tiers monde, c'est l'inverse."
03:22
So this is what I could displayafficher here. I put fertilityla fertilité ratetaux here: numbernombre of childrenles enfants perpar womanfemme:
51
177000
6000
Voici donc ce que j'ai mis là. J'ai inscrit le taux de fécondité : nombre d'enfants par femme,
03:28
one, two, threeTrois, fourquatre, up to about eighthuit childrenles enfants perpar womanfemme.
52
183000
4000
un, deux, trois, quatre, jusqu'à huit enfants par femme.
03:32
We have very good dataLes données sincedepuis 1962 -- 1960 about -- on the sizeTaille of familiesdes familles in all countriesdes pays.
53
187000
6000
Depuis 1962, on a des informations précises sur la taille des familles dans tous les pays du monde.
03:38
The errorErreur marginmarge de is narrowétroit. Here I put life expectancyattente at birthnaissance,
54
193000
3000
La marge d'erreurs est très faible. Là j'ai inscrit l'espérance de vie à la naissance,
03:41
from 30 yearsannées in some countriesdes pays up to about 70 yearsannées.
55
196000
4000
de 30 ans pour certains pays à 70 ans pour d'autres.
03:45
And 1962, there was really a groupgroupe of countriesdes pays here
56
200000
3000
En 1962, il y avait un ensemble de pays
03:48
that was industrializedindustrialisé countriesdes pays, and they had smallpetit familiesdes familles and long livesvies.
57
203000
5000
industrialisés, dont la taille des familles était réduite et l'espérance de vie était importante.
03:53
And these were the developingdéveloppement countriesdes pays:
58
208000
2000
Et il y avait à côté les pays en voie de développement,
03:55
they had largegrand familiesdes familles and they had relativelyrelativement shortcourt livesvies.
59
210000
3000
avec de grandes familles et une espérance de vie relativement courte.
03:58
Now what has happenedarrivé sincedepuis 1962? We want to see the changechangement.
60
213000
4000
Qu'est-ce qui s'est passé depuis 1962 ? On veut voir le changement.
04:02
Are the studentsélèves right? Is it still two typesles types of countriesdes pays?
61
217000
3000
Les étudiants ont-ils raison ? Est-ce qu'il y a toujours deux types de pays ?
04:06
Or have these developingdéveloppement countriesdes pays got smallerplus petit familiesdes familles and they livevivre here?
62
221000
3000
Ou est-ce que les données ont changé pour les pays en voie de développement ?
04:09
Or have they got longerplus long livesvies and livevivre up there?
63
224000
2000
Où est-ce qu'ils sont ? Quelle est leur espérance de vie ?
04:11
Let's see. We stoppedarrêté the worldmonde then. This is all U.N. statisticsstatistiques
64
226000
3000
Voyons voir. Nous avons arrêté le monde. Il s'agit là de statistiques des Nations
04:14
that have been availabledisponible. Here we go. Can you see there?
65
229000
3000
Unies... Voilà. Vous voyez ?
04:17
It's ChinaLa Chine there, movingen mouvement againstcontre better healthsanté there, improvingaméliorer there.
66
232000
3000
C'est la Chine, là, avec une santé qui s'améliore.
04:20
All the greenvert LatinLatine AmericanAméricain countriesdes pays are movingen mouvement towardsvers smallerplus petit familiesdes familles.
67
235000
3000
Tous les pays d'Amérique du Sud tendent vers des familles de taille plus réduite.
04:23
Your yellowjaune onesceux here are the ArabicArabe countriesdes pays,
68
238000
3000
Les jaunes, ce sont les pays arabes,
04:26
and they get largerplus grand familiesdes familles, but they -- no, longerplus long life, but not largerplus grand familiesdes familles.
69
241000
4000
qui ont des familles plus importantes, mais... non, une vie plus longue, en fait.
04:30
The AfricansAfricains are the greenvert down here. They still remainrester here.
70
245000
3000
Les Africains sont en vert. Ils restent là.
04:33
This is IndiaInde. Indonesia'sDe l’Indonésie movingen mouvement on prettyjoli fastvite.
71
248000
3000
Là, c'est l'Inde. L'Indonésie évolue vite.
04:36
(LaughterRires)
72
251000
1000
(Rires).
04:37
And in the '80s here, you have BangladeshBangladesh still amongparmi the AfricanAfricain countriesdes pays there.
73
252000
3000
Dans les années 1980, le Bangladesh était toujours avec les pays africains.
04:40
But now, BangladeshBangladesh -- it's a miraclemiracle that happensarrive in the '80s:
74
255000
3000
Mais à présent... c'est un miracle qui s'est produit :
04:43
the imamsimams startdébut to promotepromouvoir familyfamille planningPlanification.
75
258000
3000
les imams ont commencé à faire l'apologie des plannings familiaux.
04:46
They movebouge toi up into that cornercoin. And in '90s, we have the terribleterrible HIVVIH epidemicépidémie
76
261000
5000
Ils arrivent là. Et dans les années 1990, l'épidémie de sida
04:51
that takes down the life expectancyattente of the AfricanAfricain countriesdes pays
77
266000
3000
a réduit l'espérance de vie des pays africains...
04:54
and all the restdu repos of them movebouge toi up into the cornercoin,
78
269000
4000
Le reste se retrouve là,
04:58
where we have long livesvies and smallpetit familyfamille, and we have a completelycomplètement newNouveau worldmonde.
79
273000
4000
avec des familles réduites et une espérance de vie importante... Un nouveau monde.
05:02
(ApplauseApplaudissements)
80
277000
13000
(Applaudissements).
05:15
Let me make a comparisonComparaison directlydirectement betweenentre the UnitedUnie StatesÉtats of AmericaL’Amérique and VietnamViêt Nam.
81
290000
5000
Je vais faire une comparaison entre les États-Unis d'Amérique et le Vietnam.
05:20
1964: AmericaL’Amérique had smallpetit familiesdes familles and long life;
82
295000
5000
En 1964, l'Amérique, c'est des familles réduites et une espérance de vie importante;
05:25
VietnamViêt Nam had largegrand familiesdes familles and shortcourt livesvies. And this is what happensarrive:
83
300000
4000
au Vietnam, c'est l'inverse. Et voici ce qui se produit :
05:29
the dataLes données duringpendant the warguerre indicateindiquer that even with all the deathdécès,
84
304000
6000
malgré la guerre et tous ses morts,
05:35
there was an improvementamélioration of life expectancyattente. By the endfin of the yearan,
85
310000
3000
l'espérance de vie a augmenté. À la fin de l'année,
05:38
the familyfamille planningPlanification startedcommencé in VietnamViêt Nam and they wentest allé for smallerplus petit familiesdes familles.
86
313000
3000
les plannings familiaux ont été lancés, et la taille des familles a commencé à diminuer.
05:41
And the UnitedUnie StatesÉtats up there is gettingobtenir for longerplus long life,
87
316000
3000
Les États-Unis ont une espérance de vie plus longue,
05:44
keepingen gardant familyfamille sizeTaille. And in the '80s now,
88
319000
3000
la taille de la famille ne change pas. Dans les années 1980,
05:47
they give up communistcommuniste planningPlanification and they go for marketmarché economyéconomie,
89
322000
3000
ils ont abandonné le communisme et passent à l'économie de marché,
05:50
and it movesse déplace fasterPlus vite even than socialsocial life. And todayaujourd'hui, we have
90
325000
4000
et tout a progressé rapidement. Aujourd'hui,
05:54
in VietnamViêt Nam the sameMême life expectancyattente and the sameMême familyfamille sizeTaille
91
329000
5000
l'espérance de vie et la taille de la famille sont les mêmes au Vietnam
05:59
here in VietnamViêt Nam, 2003, as in UnitedUnie StatesÉtats, 1974, by the endfin of the warguerre.
92
334000
7000
en 2003 qu'aux États-Unis en 1974, à la fin de la guerre.
06:06
I think we all -- if we don't look in the dataLes données --
93
341000
4000
Je pense que nous ne nous rendons pas compte
06:10
we underestimatesous-estimer the tremendousénorme changechangement in AsiaL’Asie, whichlequel was
94
345000
4000
de l'importance des changements survenus en Asie,
06:14
in socialsocial changechangement before we saw the economicaléconomique changechangement.
95
349000
4000
des changements sociaux avant les changements économiques.
06:18
Let's movebouge toi over to anotherun autre way here in whichlequel we could displayafficher
96
353000
5000
Passons à présent à autre chose... Voici comment nous pouvons
06:23
the distributionDistribution in the worldmonde of the incomele revenu. This is the worldmonde distributionDistribution of incomele revenu of people.
97
358000
7000
représenter la distribution des revenus dans le monde.
06:30
One dollardollar, 10 dollarsdollars or 100 dollarsdollars perpar day.
98
365000
5000
Un dollar par jour, 10 dollars par jour, 100 dollars par jour.
06:35
There's no gapécart betweenentre richriches and poorpauvre any longerplus long. This is a mythmythe.
99
370000
4000
Il n'y a plus de fossé entre les riches et les pauvres, c'est un mythe.
06:39
There's a little humpbosse here. But there are people all the way.
100
374000
4000
Il y a une petite bosse là. Mais il y a des gens à tous les niveaux.
06:44
And if we look where the incomele revenu endsprend fin up -- the incomele revenu --
101
379000
4000
Et si on regarde où arrivent les revenus...
06:48
this is 100 percentpour cent the world'smonde annualannuel incomele revenu. And the richestle plus riche 20 percentpour cent,
102
383000
6000
là, c'est 100 % des revenus annuels du monde. Et les 20 % les plus riches
06:54
they take out of that about 74 percentpour cent. And the poorestplus pauvre 20 percentpour cent,
103
389000
7000
en obtiennent environ 74 %. Et les 20 % les plus pauvres,
07:01
they take about two percentpour cent. And this showsmontre that the conceptconcept
104
396000
5000
en obtiennent environ 2 %. Cela montre bien que le concept
07:06
of developingdéveloppement countriesdes pays is extremelyextrêmement doubtfuldouteux. We think about aidaide, like
105
401000
4000
de pays en voie de développement est peu convaincant. On parle d'aide...
07:10
these people here givingdonnant aidaide to these people here. But in the middlemilieu,
106
405000
5000
les gens ici qui aident les gens qui sont là-bas. Mais au milieu,
07:15
we have mostles plus the worldmonde populationpopulation, and they have now 24 percentpour cent of the incomele revenu.
107
410000
4000
il y a la majorité de la population mondiale, qui détient 24 % des revenus.
07:19
We heardentendu it in other formsformes. And who are these?
108
414000
4000
On l'a déjà entendu. Mais quels sont-ils ?
07:23
Where are the differentdifférent countriesdes pays? I can showmontrer you AfricaL’Afrique.
109
418000
4000
Quels sont les différents pays ? Je peux vous montrer l'Afrique.
07:27
This is AfricaL’Afrique. 10 percentpour cent the worldmonde populationpopulation, mostles plus in povertyla pauvreté.
110
422000
5000
Voici l'Afrique. 10 % de la population mondiale, la majorité vivant dans la pauvreté.
07:32
This is OECDOCDE. The richriches countryPays. The countryPays clubclub of the U.N.
111
427000
5000
Voici l'OCDE. Les pays riches. Le country club de l'ONU.
07:37
And they are over here on this sidecôté. QuiteTout à fait an overlapchevauchement betweenentre AfricaL’Afrique and OECDOCDE.
112
432000
5000
Et ils sont de ce coté. L'Afrique et l'OCDE se chevauchent.
07:42
And this is LatinLatine AmericaL’Amérique. It has everything on this EarthTerre,
113
437000
3000
Et voici l'Amérique du Sud. On y retrouve tout l'éventail de ce qu'il y a sur Terre,
07:45
from the poorestplus pauvre to the richestle plus riche, in LatinLatine AmericaL’Amérique.
114
440000
3000
du plus pauvre au plus riche.
07:48
And on topHaut of that, we can put EastEast EuropeL’Europe, we can put EastEast AsiaL’Asie,
115
443000
5000
Et encore au-dessus, on peut mettre l'Europe de l'Est, l'Asie de l'Est,
07:53
and we put SouthSud AsiaL’Asie. And how did it look like if we go back in time,
116
448000
5000
et l'Asie du Sud. Qu'obtient-on si l'on retourne en arrière dans le temps,
07:58
to about 1970? Then there was more of a humpbosse.
117
453000
5000
vers 1970 ? Il y a plusieurs bosses alors.
08:03
And we have mostles plus who livedvivait in absoluteabsolu povertyla pauvreté were AsiansAsiatiques.
118
458000
4000
Et nous avons les Asiatiques qui vivaient dans une pauvreté absolue.
08:07
The problemproblème in the worldmonde was the povertyla pauvreté in AsiaL’Asie. And if I now let the worldmonde movebouge toi forwardvers l'avant,
119
462000
7000
Le problème mondial d'alors était la pauvreté en Asie. Et si on avance dans le temps,
08:14
you will see that while populationpopulation increaseaugmenter, there are
120
469000
3000
vous verrez que pendant que la population croît, il y a
08:17
hundredsdes centaines of millionsdes millions in AsiaL’Asie gettingobtenir out of povertyla pauvreté and some othersautres
121
472000
3000
des centaines de millions d'Asiatiques qui sortent de la pauvreté et d'autres
08:20
gettingobtenir into povertyla pauvreté, and this is the patternmodèle we have todayaujourd'hui.
122
475000
3000
qui y arrivent, et voici la situation d'aujourd'hui.
08:23
And the bestmeilleur projectionprojection from the WorldMonde BankBanque is that this will happense produire,
123
478000
4000
Et le meilleur scénario d'après la Banque mondiale est que cela va se produire
08:27
and we will not have a divideddivisé worldmonde. We'llNous allons have mostles plus people in the middlemilieu.
124
482000
4000
et que nous n'aurons pas un monde divisé en deux. Nous aurons la majorité de la population au milieu.
08:31
Of coursecours it's a logarithmiclogarithmique scaleéchelle here,
125
486000
2000
Bien sûr, c'est une échelle logarithmique ici,
08:33
but our conceptconcept of economyéconomie is growthcroissance with percentpour cent. We look uponsur it
126
488000
5000
mais notre conception de l'économie est une croissance en pourcentage. Nous la voyons
08:38
as a possibilitypossibilité of percentilepercentile increaseaugmenter. If I changechangement this, and I take
127
493000
6000
comme une possibilité d'augmentation en pourcentage. Si je change ça et que je prends
08:44
GDPPIB perpar capitatête insteadau lieu of familyfamille incomele revenu, and I turntour these
128
499000
4000
le PIB par individu à la place du revenu par foyer, et que je change
08:48
individualindividuel dataLes données into regionalrégional dataLes données of grossbrut domesticnational productproduit,
129
503000
6000
les données individuelles en données régionales du produit domestique brut,
08:54
and I take the regionsles régions down here, the sizeTaille of the bubblebulle is still the populationpopulation.
130
509000
4000
et si je mets ces régions là, la taille de la bulle représente toujours la population.
08:58
And you have the OECDOCDE there, and you have sub-SaharanSubsaharienne AfricaL’Afrique there,
131
513000
3000
Vous avez l'OCDE ici, l'Afrique subsaharienne là,
09:01
and we take off the ArabArabes statesÉtats there,
132
516000
3000
et nous déplaçons les États arabes ici,
09:04
comingvenir bothtous les deux from AfricaL’Afrique and from AsiaL’Asie, and we put them separatelyséparément,
133
519000
4000
venant d'Afrique et d'Asie, nous les séparons,
09:08
and we can expanddévelopper this axisaxe, and I can give it a newNouveau dimensiondimension here,
134
523000
5000
et nous allongeons l'axe. Je peux donner une nouvelle dimension
09:13
by addingajouter the socialsocial valuesvaleurs there, childenfant survivalsurvie.
135
528000
3000
en ajoutant les valeurs sociales, l'espérance de vie infantile.
09:16
Now I have moneyargent on that axisaxe, and I have the possibilitypossibilité of childrenles enfants to survivesurvivre there.
136
531000
5000
Maintenant j'ai l'argent sur cet axe et j'ai les chances de survie de l'enfant là.
09:21
In some countriesdes pays, 99.7 percentpour cent of childrenles enfants survivesurvivre to fivecinq yearsannées of ageâge;
137
536000
4000
Dans certain pays, 99,7 % des enfants survivent au-delà 5 ans.
09:25
othersautres, only 70. And here it seemssemble there is a gapécart
138
540000
4000
Dans d'autres, seulement 70 %. Et là, il semble y avoir un fossé énorme
09:29
betweenentre OECDOCDE, LatinLatine AmericaL’Amérique, EastEast EuropeL’Europe, EastEast AsiaL’Asie,
139
544000
4000
entre l'OCDE, l'Amérique latine, l'Europe de l'Est, l'Asie de l'Est,
09:33
ArabArabes statesÉtats, SouthSud AsiaL’Asie and sub-SaharanSubsaharienne AfricaL’Afrique.
140
548000
4000
les États arabes, l'Asie du Sud et l'Afrique subsaharienne.
09:37
The linearitylinéarité is very strongfort betweenentre childenfant survivalsurvie and moneyargent.
141
552000
5000
La linéarité est très forte entre la survie de l'enfant et l'argent.
09:42
But let me splitDivisé sub-SaharanSubsaharienne AfricaL’Afrique. HealthSanté is there and better healthsanté is up there.
142
557000
8000
Mais laissez-moi diviser l'Afrique subsaharienne. La santé est là et la meilleure santé est ici.
09:50
I can go here and I can splitDivisé sub-SaharanSubsaharienne AfricaL’Afrique into its countriesdes pays.
143
565000
5000
Je peux aller ici et je peux diviser l'Afrique subsaharienne par ses différents pays.
09:55
And when it burstéclater, the sizeTaille of its countryPays bubblebulle is the sizeTaille of the populationpopulation.
144
570000
5000
Et quand elle éclate, la taille de la bulle de son pays reste égale à la population.
10:00
SierraSierra LeoneLeone down there. MauritiusIle Maurice is up there. MauritiusIle Maurice was the first countryPays
145
575000
4000
La Sierra Leone est en bas. La Mauritanie est en haut. La Mauritanie a été le premier pays
10:04
to get away with tradeCommerce barriersbarrières, and they could sellvendre theirleur sugarsucre --
146
579000
3000
à s'affranchir des barrières commerciales et à pouvoir vendre son sucre.
10:08
they could sellvendre theirleur textilestextiles -- on equalégal termstermes as the people in EuropeL’Europe and NorthNord AmericaL’Amérique.
147
583000
5000
Elle pouvait vendre ses textiles selon les mêmes conditions que les Européens et les Nord-Américains.
10:13
There's a hugeénorme differencedifférence betweenentre AfricaL’Afrique. And GhanaGhana is here in the middlemilieu.
148
588000
4000
Il y a de grandes différences en Afrique. Et le Ghana est là, au milieu.
10:17
In SierraSierra LeoneLeone, humanitarianhumanitaire aidaide.
149
592000
3000
En Sierra Leone, l'aide humanitaire.
10:20
Here in UgandaL’Ouganda, developmentdéveloppement aidaide. Here, time to investinvestir; there,
150
595000
5000
Ici en Ouganda, l'aide au développement. Ici, l'investissement, ici,
10:25
you can go for a holidayvacances. It's a tremendousénorme variationvariation
151
600000
3000
vous pouvez y aller en vacances. C'est une énorme variation
10:28
withindans AfricaL’Afrique whichlequel we rarelyrarement oftensouvent make -- that it's equalégal everything.
152
603000
5000
au sein de l'Afrique dont nous tenons rarement compte - que ça s'égale en tout.
10:33
I can splitDivisé SouthSud AsiaL’Asie here. India'sDe l’Inde the biggros bubblebulle in the middlemilieu.
153
608000
4000
Je peux diviser l'Asie du Sud ici. L'Inde est la grosse bulle du milieu.
10:37
But a hugeénorme differencedifférence betweenentre AfghanistanAfghanistan and SriSri LankaLanka.
154
612000
4000
Mais il y a une grosse différence entre l'Afghanistan et le Sri Lanka.
10:41
I can splitDivisé ArabArabes statesÉtats. How are they? SameMême climateclimat, sameMême cultureCulture,
155
616000
4000
Je peux diviser les États arabes. Comment sont-ils ? Même climat, même culture,
10:45
sameMême religionreligion -- hugeénorme differencedifférence. Even betweenentre neighborsvoisins.
156
620000
4000
même religion. Mais de grosses différences. Même entre voisins.
10:49
YemenYémen, civilcivil warguerre. UnitedUnie ArabArabes EmirateÉmirat, moneyargent whichlequel was quiteassez equallyégalement and well used.
157
624000
5000
Yémen, guerre civile. Émirats arabes, de l'argent équitablement réparti et bien utilisé.
10:54
Not as the mythmythe is. And that includesinclut all the childrenles enfants of the foreignétranger workersouvriers who are in the countryPays.
158
629000
7000
Indifféremment du mythe. Et cela inclut les enfants des étrangers qui travaillent dans le pays.
11:01
DataDonnées is oftensouvent better than you think. ManyDe nombreux people say dataLes données is badmal.
159
636000
4000
Les données sont meilleures que ce que l'on pense. Beaucoup pensent qu'elles sont mauvaises.
11:06
There is an uncertaintyincertitude marginmarge de, but we can see the differencedifférence here:
160
641000
2000
Il y a une marge incertaine, mais on peut voir la différence ici :
11:08
CambodiaCambodge, SingaporeSingapour. The differencesdifférences are much biggerplus gros
161
643000
3000
Cambodge, Singapour. Les différences sont plus importantes
11:11
than the weaknessfaiblesse of the dataLes données. EastEast EuropeL’Europe:
162
646000
3000
que la faiblesse des données. Europe de l'Est :
11:14
SovietSoviétique economyéconomie for a long time, but they come out after 10 yearsannées
163
649000
6000
l'économie Soviétique pendant longtemps, mais au bout de dix ans,
11:20
very, very differentlydifféremment. And there is LatinLatine AmericaL’Amérique.
164
655000
3000
c'est très, très différent. Et voici l'Amérique latine.
11:23
TodayAujourd'hui, we don't have to go to CubaCuba to find a healthyen bonne santé countryPays in LatinLatine AmericaL’Amérique.
165
658000
4000
Aujourd'hui, inutile d'aller à Cuba pour trouver un pays sain en Amérique latine.
11:27
ChileChili will have a lowerinférieur childenfant mortalitymortalité than CubaCuba withindans some fewpeu yearsannées from now.
166
662000
5000
Le Chili aura une mortalité infantile inférieure à celle de Cuba d'ici quelques années.
11:32
And here we have high-incomepays à revenu élevé countriesdes pays in the OECDOCDE.
167
667000
3000
Et ici, voici les pays à haut revenu de l'OCDE.
11:35
And we get the wholeentier patternmodèle here of the worldmonde,
168
670000
4000
Nous pouvons obtenir le modèle mondial,
11:39
whichlequel is more or lessMoins like this. And if we look at it,
169
674000
5000
qui est plus ou moins comme ceci. En observant
11:44
how it looksregards -- the worldmonde, in 1960, it startsdéparts to movebouge toi. 1960.
170
679000
6000
ce à quoi ressemble le monde en 1960, il commence à évoluer. 1960.
11:50
This is MaoMao Tse-tungTsé-toung. He broughtapporté healthsanté to ChinaLa Chine. And then he dieddécédés.
171
685000
3000
C'est Mao Tsé-toung. Il a fait de la Chine un pays en bonne santé. Puis il est mort.
11:53
And then DengDeng XiaopingXiaoping camevenu and broughtapporté moneyargent to ChinaLa Chine, and broughtapporté them into the mainstreamcourant dominant again.
172
688000
5000
Ensuite, Deng Xiaoping a amené l'argent en Chine et a ramené le pays sur le devant de la scène.
11:58
And we have seenvu how countriesdes pays movebouge toi in differentdifférent directionsdirections like this,
173
693000
4000
Nous avons vu comment les pays vont dans des directions différentes comme ceci,
12:02
so it's sortTrier of difficultdifficile to get
174
697000
4000
c'est donc compliqué de trouver
12:06
an exampleExemple countryPays whichlequel showsmontre the patternmodèle of the worldmonde.
175
701000
5000
un pays qui regroupe tout les schémas mondiaux.
12:11
But I would like to bringapporter you back to about here at 1960.
176
706000
6000
Je voudrais revenir ici, en 1960.
12:17
I would like to comparecomparer SouthSud KoreaCorée, whichlequel is this one, with BrazilBrésil,
177
712000
10000
J'aimerais comparer la Corée du Sud qui est là, avec le Brésil,
12:27
whichlequel is this one. The labelétiquette wentest allé away for me here. And I would like to comparecomparer UgandaL’Ouganda,
178
722000
5000
qui est là. J'ai perdu l'étiquette. Et je voudrais comparer l'Ouganda,
12:32
whichlequel is there. And I can runcourir it forwardvers l'avant, like this.
179
727000
5000
qui est ici. Je peux le faire avancer, comme ceci.
12:37
And you can see how SouthSud KoreaCorée is makingfabrication a very, very fastvite advancementpromotion,
180
732000
9000
Vous pouvez voir que la Corée du Sud progresse très rapidement
12:46
whereastandis que BrazilBrésil is much slowerRalentissez.
181
741000
3000
alors que le Brésil est nettement plus lent.
12:49
And if we movebouge toi back again, here, and we put on trailssentiers de on them, like this,
182
744000
6000
Et si on revient en arrière, ici, et que nous les traçons comme ceci,
12:55
you can see again that the speedla vitesse of developmentdéveloppement
183
750000
4000
vous pouvez voir que la vitesse de développement
12:59
is very, very differentdifférent, and the countriesdes pays are movingen mouvement more or lessMoins
184
754000
6000
est très différente. Les pays évoluent plus ou moins
13:05
in the sameMême ratetaux as moneyargent and healthsanté, but it seemssemble you can movebouge toi
185
760000
4000
au même taux en rapport argent et santé, mais il semble possible de progresser
13:09
much fasterPlus vite if you are healthyen bonne santé first than if you are wealthyriches first.
186
764000
4000
plus vite en étant en bonne santé plutôt qu'en étant riche.
13:14
And to showmontrer that, you can put on the way of UnitedUnie ArabArabes EmirateÉmirat.
187
769000
4000
Et pour illustrer cela, prenons l'exemple des Émirats arabes.
13:18
They camevenu from here, a mineralminéral countryPays. They cachedmise en cache all the oilpétrole;
188
773000
3000
Autrefois, c'était un pays minier. Ils ont trouvé du pétrole,
13:21
they got all the moneyargent; but healthsanté cannotne peux pas be boughtacheté at the supermarketsupermarché.
189
776000
4000
ils ont gagné énormément d'argent, mais la santé ne s'achète pas au supermarché.
13:25
You have to investinvestir in healthsanté. You have to get kidsdes gamins into schoolingscolarité.
190
780000
4000
Vous devez investir dans la santé. Vous devez scolariser les enfants.
13:29
You have to traintrain healthsanté staffPersonnel. You have to educateéduquer the populationpopulation.
191
784000
3000
Vous devez former du personnel de santé. Vous devez éduquer la population.
13:32
And SheikhCheikh SayedSayed did that in a fairlyéquitablement good way.
192
787000
3000
Et le Sheikh Sayed l'a fait d'une manière admirable.
13:35
In spitedépit of fallingchute oilpétrole pricesdes prix, he broughtapporté this countryPays up here.
193
790000
4000
Malgré la chute du prix du pétrole, il a amené son pays jusque là.
13:39
So we'venous avons got a much more mainstreamcourant dominant appearanceapparence of the worldmonde,
194
794000
4000
Nous avons donc une meilleure approche de l'aspect du monde,
13:43
where all countriesdes pays tendtendre to use theirleur moneyargent
195
798000
2000
où tout les pays ont tendance à mieux utiliser leur argent
13:45
better than they used in the pastpassé. Now, this is, more or lessMoins,
196
800000
5000
que par le passé. Maintenant, c'est, plus ou moins,
13:50
if you look at the averagemoyenne dataLes données of the countriesdes pays -- they are like this.
197
805000
7000
si vous regardez la moyenne des données des pays. Ils se présentent ainsi.
13:57
Now that's dangerousdangereux, to use averagemoyenne dataLes données, because there is suchtel a lot
198
812000
5000
Mais il est hasardeux d'utiliser des moyennes car il y a une grosse
14:02
of differencedifférence withindans countriesdes pays. So if I go and look here, we can see
199
817000
6000
différence entre les pays. Donc si je vais par là, nous pouvons remarquer
14:08
that UgandaL’Ouganda todayaujourd'hui is where SouthSud KoreaCorée was 1960. If I splitDivisé UgandaL’Ouganda,
200
823000
6000
que l'Ouganda aujourd'hui est semblable à la Corée du Sud en 1960. Si je divise l'Ouganda,
14:14
there's quiteassez a differencedifférence withindans UgandaL’Ouganda. These are the quintilesquintiles of UgandaL’Ouganda.
201
829000
5000
il existe de grandes différences au sein de l'Ouganda. Voici les quantiles de l'Ouganda.
14:19
The richestle plus riche 20 percentpour cent of UgandansOugandais are there.
202
834000
3000
Les 20 % des Ougandais les plus riches sont là.
14:22
The poorestplus pauvre are down there. If I splitDivisé SouthSud AfricaL’Afrique, it's like this.
203
837000
4000
Les plus pauvres sont ici en bas. Si je divise l'Afrique du Sud, c'est ainsi.
14:26
And if I go down and look at NigerNiger, where there was suchtel a terribleterrible faminefamine,
204
841000
5000
Si je descends et que je regarde le Niger, où il y a eu une terrible famine
14:31
lastlyenfin, it's like this. The 20 percentpour cent poorestplus pauvre of NigerNiger is out here,
205
846000
5000
dernièrement, cela ressemble à ça. Les 20 % les plus pauvres du Niger ici,
14:36
and the 20 percentpour cent richestle plus riche of SouthSud AfricaL’Afrique is there,
206
851000
3000
et les 20 % les plus riches d'Afrique du Sud là.
14:39
and yetencore we tendtendre to discussdiscuter on what solutionssolutions there should be in AfricaL’Afrique.
207
854000
5000
Nous pouvons ensuite discuter des solutions existant pour l'Afrique.
14:44
Everything in this worldmonde existsexiste in AfricaL’Afrique. And you can't
208
859000
3000
Tout en ce monde existe en Afrique. Et on ne peut pas
14:47
discussdiscuter universaluniversel accessaccès to HIVVIH [medicinemédicament] for that quintilequintile up here
209
862000
4000
parler d'un accès universel au VIH [traitement] pour ce quantile ici en haut
14:51
with the sameMême strategystratégie as down here. The improvementamélioration of the worldmonde
210
866000
4000
avec la même stratégie que pour celui-ci en bas. L'amélioration du monde
14:55
mustdoit be highlytrès contextualizedcontextualisée, and it's not relevantpertinent to have it
211
870000
5000
doit être fortement replacée dans son contexte, et ce n'est en aucun cas pertinent
15:00
on regionalrégional levelniveau. We mustdoit be much more detaileddétaillées.
212
875000
3000
à un niveau régional. Nous devons davantage détailler.
15:03
We find that studentsélèves get very excitedexcité when they can use this.
213
878000
4000
Nous avons découvert que les étudiants sont emballés quand ils peuvent utiliser cet outil.
15:07
And even more policypolitique makersles décideurs and the corporateentreprise sectorssecteurs would like to see
214
882000
5000
Et même les responsables politiques et les entreprises aimeraient observer
15:12
how the worldmonde is changingen changeant. Now, why doesn't this take placeendroit?
215
887000
4000
l'évolution du monde. Mais pourquoi cela n'est-il pas mis en place ?
15:16
Why are we not usingen utilisant the dataLes données we have? We have dataLes données in the UnitedUnie NationsNations Unies,
216
891000
4000
Pourquoi ne pas utiliser les données que nous avons ? Nous possédons des données aux Nations Unies,
15:20
in the nationalnationale statisticalstatistique agenciesagences
217
895000
2000
dans les agences nationales de statistiques
15:22
and in universitiesles universités and other non-governmentalnon gouvernemental organizationsorganisations.
218
897000
4000
et dans les universités et les autres organisations non gouvernementales.
15:26
Because the dataLes données is hiddencaché down in the databasesbases de données.
219
901000
2000
Parce que les données sont enfouies dans les bases de données.
15:28
And the publicpublic is there, and the InternetInternet is there, but we have still not used it effectivelyefficacement.
220
903000
5000
Le public est là, Internet est là, mais nous ne les utilisons pas efficacement.
15:33
All that informationinformation we saw changingen changeant in the worldmonde
221
908000
3000
Toutes ces informations que nous voyons changer dans le monde
15:36
does not includecomprendre publicly-fundedfinancés par l’État statisticsstatistiques. There are some webweb pagespages
222
911000
4000
n'incluent pas les statistiques publiques. Il existe des pages Web
15:40
like this, you know, but they take some nourishmentnourriture down from the databasesbases de données,
223
915000
6000
comme celle-ci, mais elles se nourrissent des bases de données,
15:46
but people put pricesdes prix on them, stupidstupide passwordsMots de passe and boringennuyeuse statisticsstatistiques.
224
921000
5000
mais on les rend payantes, on instaure des mots de passe stupides et des statistiques ennuyeuses.
15:51
(LaughterRires) (ApplauseApplaudissements)
225
926000
3000
(Rires). (Applaudissements).
15:54
And this won'thabitude work. So what is needednécessaire? We have the databasesbases de données.
226
929000
4000
Et cela ne marche pas. Que devons-nous faire ? Nous avons les bases de données.
15:58
It's not the newNouveau databasebase de données you need. We have wonderfulformidable designconception toolsoutils,
227
933000
4000
Ce n'est pas de nouvelles bases de données dont nous avons besoin. Nous avons des outils de mise en forme merveilleux,
16:02
and more and more are addedajoutée up here. So we startedcommencé
228
937000
3000
et il s'en crée de plus en plus. Nous avons donc lancé
16:05
a nonprofitnon lucratif ventureentreprise whichlequel we calledappelé -- linkingmise en relation dataLes données to designconception --
229
940000
5000
une entreprise à but non lucratif que nous avons appelée - en reliant les données à la conception -
16:10
we call it GapminderGapminder, from the LondonLondres undergroundsouterrain, where they warnprévenir you,
230
945000
3000
nous l'avons appelée "Gapminder", par analogie au métro londonien qui vous avertit
16:13
"mindesprit the gapécart." So we thought GapminderGapminder was appropriateapproprié.
231
948000
3000
de faire attention au vide. Nous avons donc pensé que "Gapminder" était un nom approprié.
16:16
And we startedcommencé to writeécrire softwareLogiciel whichlequel could linklien the dataLes données like this.
232
951000
4000
Nous avons donc développé des logiciels qui relient les données comme cela.
16:20
And it wasn'tn'était pas that difficultdifficile. It tooka pris some personla personne yearsannées, and we have producedproduit animationsdes animations.
233
955000
6000
Et ce n'était pas si compliqué. Cela nous a pris quelques années, et nous avons produit des animations.
16:26
You can take a dataLes données setensemble and put it there.
234
961000
2000
Vous pouvez prendre un ensemble de données et les amener là.
16:28
We are liberatinglibérateur U.N. dataLes données, some fewpeu U.N. organizationorganisation.
235
963000
5000
Nous nous sommes procuré des données de l'ONU et de quelques organisations de l'ONU.
16:33
Some countriesdes pays acceptAcceptez that theirleur databasesbases de données can go out on the worldmonde,
236
968000
4000
Certains pays ont accepté de rendre publiques leurs données,
16:37
but what we really need is, of coursecours, a searchchercher functionfonction.
237
972000
3000
mais ce dont nous avons réellement besoin c'est, bien sûr, d'une fonction de recherche.
16:40
A searchchercher functionfonction where we can copycopie the dataLes données up to a searchableconsultable formatformat
238
975000
5000
Une fonction de recherche qui nous permettrait de copier les données dans un format accessible
16:45
and get it out in the worldmonde. And what do we hearentendre when we go around?
239
980000
3000
et de les transmettre au monde entier. Et quelles ont été les réactions ?
16:48
I've doneterminé anthropologyanthropologie on the mainprincipale statisticalstatistique unitsunités. EveryoneTout le monde saysdit,
240
983000
4000
J'ai fait une recherche anthropologique sur les principales formations statistiques. Tout le monde a dit,
16:53
"It's impossibleimpossible. This can't be doneterminé. Our informationinformation is so peculiarétrange
241
988000
4000
"C'est impossible. On ne peut pas faire ça. Notre information est trop spécifique
16:57
in detaildétail, so that cannotne peux pas be searchedcherché as othersautres can be searchedcherché.
242
992000
3000
et ne peut être partagée comme n'importe quelle autre.
17:00
We cannotne peux pas give the dataLes données freegratuit to the studentsélèves, freegratuit to the entrepreneursentrepreneurs of the worldmonde."
243
995000
5000
On ne peut pas donner cette information gratuitement aux étudiants et aux entrepreneurs du monde entier."
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Mais c'est exactement ce que nous voulons faire, n'est-ce pas ?
17:08
The publicly-fundedfinancés par l’État dataLes données is down here.
245
1003000
3000
Les données publiques sont juste là.
17:11
And we would like flowersfleurs to growcroître out on the NetNET.
246
1006000
3000
Nous souhaitons qu'elles se développent sur Internet.
17:14
And one of the crucialcrucial pointspoints is to make them searchableconsultable, and then people can use
247
1009000
5000
L'un des points cruciaux consiste à les rendre accessibles et à faire en sorte que les gens puissent utiliser
17:19
the differentdifférent designconception tooloutil to animateanimer it there.
248
1014000
2000
les différents outils pour les rendre vivantes.
17:21
And I have a prettyjoli good newsnouvelles for you. I have a good newsnouvelles that the presentprésent,
249
1016000
5000
Et j'ai une bonne nouvelle pour vous.
17:26
newNouveau HeadTête of U.N. StatisticsStatistiques, he doesn't say it's impossibleimpossible.
250
1021000
4000
Le nouveau directeur du service Statistiques de l'ONU ne dit pas que c'est impossible.
17:30
He only saysdit, "We can't do it."
251
1025000
2000
Il dit simplement : "On ne peut pas le faire".
17:32
(LaughterRires)
252
1027000
4000
(Rires)
17:36
And that's a quiteassez cleverintelligent guy, huh?
253
1031000
2000
C'est plutôt quelqu'un de malin, n'est-ce pas ?
17:38
(LaughterRires)
254
1033000
2000
(Rires)
17:40
So we can see a lot happeningévénement in dataLes données in the comingvenir yearsannées.
255
1035000
4000
Donc nous allons voir beaucoup de changements se produire dans les années à venir dans le domaine de l'échange des données.
17:44
We will be ablecapable to look at incomele revenu distributionsdistributions in completelycomplètement newNouveau waysfaçons.
256
1039000
4000
Nous pourrons observer la distribution des richesses de façons complètement nouvelles.
17:48
This is the incomele revenu distributionDistribution of ChinaLa Chine, 1970.
257
1043000
5000
Voici la distribution des richesses en Chine en 1970.
17:54
the incomele revenu distributionDistribution of the UnitedUnie StatesÉtats, 1970.
258
1049000
5000
La distribution des richesses aux États-Unis en 1970.
17:59
AlmostPresque no overlapchevauchement. AlmostPresque no overlapchevauchement. And what has happenedarrivé?
259
1054000
4000
Quasiment aucun chevauchement. Quasiment aucun. Et que s'est-il produit ?
18:03
What has happenedarrivé is this: that ChinaLa Chine is growingcroissance, it's not so equalégal any longerplus long,
260
1058000
5000
Voici ce qui s'est passé : la Chine a progressé, ce n'est plus si équitable,
18:08
and it's appearingapparaissant here, overlookingdonnant sur the UnitedUnie StatesÉtats.
261
1063000
4000
et cela se voit ici, dominant les États-Unis.
18:12
AlmostPresque like a ghostfantôme, isn't it, huh?
262
1067000
2000
On dirait un fantôme, n'est-ce pas ?
18:14
(LaughterRires)
263
1069000
2000
(Rires).
18:16
It's prettyjoli scaryeffrayant. But I think it's very importantimportant to have all this informationinformation.
264
1071000
10000
C'est plutôt effrayant. Mais je pense qu'il est important d'avoir cette information.
18:26
We need really to see it. And insteadau lieu of looking at this,
265
1081000
6000
Nous devons la voir. Mais au lieu d'approfondir ce sujet,
18:32
I would like to endfin up by showingmontrer the InternetInternet usersutilisateurs perpar 1,000.
266
1087000
5000
je voudrais terminer en montrant les utilisateurs d'Internet pour 1 000.
18:37
In this softwareLogiciel, we accessaccès about 500 variablesvariables from all the countriesdes pays quiteassez easilyfacilement.
267
1092000
5000
Dans ce logiciel, nous accédons assez facilement à environ 500 variables de tous les pays.
18:42
It takes some time to changechangement for this,
268
1097000
4000
Il faut du temps pour passer à cela,
18:46
but on the axisesaxes, you can quiteassez easilyfacilement get any variablevariable you would like to have.
269
1101000
5000
mais vous pouvez facilement trouver sur les axes n'importe quelle variable de votre choix.
18:51
And the thing would be to get up the databasesbases de données freegratuit,
270
1106000
5000
Le but serait que les bases de données soient gratuites,
18:56
to get them searchableconsultable, and with a secondseconde clickCliquez, to get them
271
1111000
3000
accessibles et en cliquant une seconde fois, de les obtenir
18:59
into the graphicgraphique formatsformats, where you can instantlyimmédiatement understandcomprendre them.
272
1114000
5000
dans des graphiques, où vous pourrez les comprendre instantanément.
19:04
Now, statisticiansstatisticiens doesn't like it, because they say that this
273
1119000
3000
Les statisticiens n'apprécient pas car selon eux, cela
19:07
will not showmontrer the realityréalité; we have to have statisticalstatistique, analyticalanalytique methodsméthodes.
274
1122000
9000
ne reflète pas la réalité. Nous devons avoir une approche statistique et méthodique.
19:16
But this is hypothesis-generatinggénératrices de hypothèse.
275
1131000
3000
Mais cela génère des hypothèses.
19:19
I endfin now with the worldmonde. There, the InternetInternet is comingvenir.
276
1134000
4000
Je termine donc avec le monde. Ici, Internet arrive.
19:23
The numbernombre of InternetInternet usersutilisateurs are going up like this. This is the GDPPIB perpar capitatête.
277
1138000
4000
Le nombre d'internautes croît comme cela. Voici le PIB par individu.
19:27
And it's a newNouveau technologyLa technologie comingvenir in, but then amazinglyétonnamment, how well
278
1142000
5000
C'est une nouvelle technologie qui voit le jour et qui, étonnamment,
19:32
it fitsconvient to the economyéconomie of the countriesdes pays. That's why the 100 dollardollar
279
1147000
5000
se fond avec l'économie des pays. C'est pourquoi l'ordinateur
19:37
computerordinateur will be so importantimportant. But it's a niceagréable tendencytendance.
280
1152000
3000
à 100 dollars est si important. Mais c'est une tendance faible.
19:40
It's as if the worldmonde is flatteningaplanissement off, isn't it? These countriesdes pays
281
1155000
3000
C'est comme si le monde s'aplatissait ? Ces pays
19:43
are liftinglevage more than the economyéconomie and will be very interestingintéressant
282
1158000
3000
se soulèvent plus que l'économie, et il serait intéressant
19:46
to followsuivre this over the yearan, as I would like you to be ablecapable to do
283
1161000
4000
de suivre ce phénomène au fil des années, comme je souhaiterais que vous puissiez utiliser
19:50
with all the publiclyau public fundedfinancé dataLes données. Thank you very much.
284
1165000
2000
les données financées par des fonds publics. Merci beaucoup.
19:53
(ApplauseApplaudissements)
285
1168000
3000
(Applaudissements)

▲Back to top

ABOUT THE SPEAKER
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.

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.


More profile about the speaker
Hans Rosling | Speaker | TED.com