TED2006
Hans Rosling: The best stats you've ever seen
Hanss Roslings: Labākā statistika, kādu būsiet redzējuši
Filmed:
Readability: 3.6
14,386,844 views
Jūs vēl nebūsiet redzējuši šādu datu prezentāciju. Ar sporta komentētāja cienīgu dramatismu un degsmi, statistikas guru Hanss Roslings apgāž mītus par tā saukto „attīstības pasauli”.
Hans Rosling - Global health expert; data visionary
In Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus. Full bio
In Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus. Full bio
Double-click the English transcript below to play the video.
00:25
About 10 years ago, I took on the task to teach global development
0
0
4000
Pirms aptuveni 10 gadiem es uzņēmos
jaunajiem Zviedrijas bakalaura studentiem
jaunajiem Zviedrijas bakalaura studentiem
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
mācīt globālo attīstību.
Tas bija pēc aptuveni 20 gadu ilga darba
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
kopā ar Āfrikas iestādēm,
pētot badu Āfrikā,
pētot badu Āfrikā,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
tāpēc no manis sagaidīja,
ka es par pasauli drusku zināšu.
ka es par pasauli drusku zināšu.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Es mūsu medicīnas universitātē,
Karolinskas institūtā,
Karolinskas institūtā,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
sāku jaunu bakalaura kursu
— Globālo veselību.
— Globālo veselību.
Rodoties šāda iespējai,
jūs kļūstat drusku nervozs.
jūs kļūstat drusku nervozs.
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
Es domāju, ka nākošie studenti
00:53
coming to us actually have the highest grade you can get
7
28000
3000
ir saņēmuši augstākās atzīmes
Zviedrijas izglītības sistēmā,
Zviedrijas izglītības sistēmā,
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
tāpēc iedomājos, ka varbūt viņi jau zina visu,
ko grasījos viņiem mācīt.
ko grasījos viņiem mācīt.
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
Tādēļ, viņiem ierodoties,
es sarīkoju pārbaudījumu.
es sarīkoju pārbaudījumu.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Viens no jautājumiem,
no kā es daudz uzzināju, bija šis:
no kā es daudz uzzināju, bija šis:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
„Kurā valstī no šiem pieciem pāriem
ir augstākā bērnu mirstība?”
ir augstākā bērnu mirstība?”
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Es tās saliku kopā tā,
ka katrā valstu pārī
ka katrā valstu pārī
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
vienā no tām ir divreiz augstāka
bērnu mirstība nekā otrā.
bērnu mirstība nekā otrā.
Tas nozīmē,
ka tā ir daudz lielāka atšķirība,
ka tā ir daudz lielāka atšķirība,
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
nekā iespējamā datu nenoteiktība.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Es jūs nepārbaudīšu, bet tā ir Turcija
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
ar augstāku mirstību, Polija,
Krievija, Pakistāna un Dienvidāfrika.
Krievija, Pakistāna un Dienvidāfrika.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Šādi bija Zviedrijas studentu rezultāti.
Es to izdarīju, lai iegūtu ticamības intervālu,
kas ir diezgan neliels, un es, protams, sapriecājos:
kas ir diezgan neliels, un es, protams, sapriecājos:
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1,8 pareizas atbildes
no piecām iespējamām.
no piecām iespējamām.
Tas nozīmēja, ka šeit bija vieta
starptautiskās veselības profesoram
starptautiskās veselības profesoram
01:41
there was a place for a professor of international health --
20
76000
3000
01:44
(Laughter) and for my course.
21
79000
2000
un manam kursam.
(Smiekli)
01:46
But one late night, when I was compiling the report
22
81000
4000
Taču tad kādā vēlā vakarā,
veidojot ziņojumu,
veidojot ziņojumu,
01:50
I really realized my discovery. I have shown
23
85000
4000
es patiešām aptvēru savu atklājumu.
Esmu pierādījis,
ka Zviedrijas labākie studenti
ka Zviedrijas labākie studenti
01:54
that Swedish top students know statistically significantly less
24
89000
5000
statistiski par pasauli zina
ievērojami mazāk nekā šimpanzes.
ievērojami mazāk nekā šimpanzes.
01:59
about the world than the chimpanzees.
25
94000
2000
02:01
(Laughter)
26
96000
2000
(Smiekli)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Jo šimpanzes uz pusi atbildētu pareizi,
ja es tām iedotu divus banānus
ar Šrilankas un Turcijas uzrakstiem.
ar Šrilankas un Turcijas uzrakstiem.
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
Tām būtu taisnība pusē gadījumu,
bet studenti tik tālu nav tikuši.
bet studenti tik tālu nav tikuši.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Mani tik ļoti nesatrauca nezināšana,
cik maldīgas iedomas.
cik maldīgas iedomas.
02:14
it was preconceived ideas.
30
109000
3000
Es veicu arī neētisku pētījumu
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
ar Karolisnkas institūta profesoriem,
02:21
(Laughter)
32
116000
1000
kas pasniedz Nobela prēmijas medicīnā,
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
02:24
and they are on par with the chimpanzee there.
34
119000
2000
un viņi bija vienā līmenī ar šimpanzēm.
02:26
(Laughter)
35
121000
3000
(Smiekli)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Te arī es sapratu,
ka mums savstarpēji jāsazinās,
ka mums savstarpēji jāsazinās,
02:33
because the data of what's happening in the world
37
128000
3000
jo dati par to, kas notiek pasaulē,
02:36
and the child health of every country is very well aware.
38
131000
3000
un bērnu veselību katrā valstī
ir apkopoti un pieejami.
ir apkopoti un pieejami.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Mēs izveidojām programmu,
kas šādi attēlo datus:
kas šādi attēlo datus:
katrs burbulis ir valsts.
02:44
This country over here is China. This is India.
40
139000
6000
Šī te valsts ir Ķīna.
Šī ir Indija.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
Burbuļa izmērs ir iedzīvotāju daudzums,
un uz šīs ass
es liku dzimstības koeficientu.
es liku dzimstības koeficientu.
02:56
Because my students, what they said
42
151000
3000
Jo mani studenti teica,
02:59
when they looked upon the world, and I asked them,
43
154000
2000
viņiem raugoties uz pasauli
pēc manis uzdotā jautājuma:
pēc manis uzdotā jautājuma:
03:01
"What do you really think about the world?"
44
156000
2000
„Ko jūs patiesībā domājat par pasauli?”
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Pirmkārt, es uzzināju,
ka galvenā mācību grāmata bija „Tintiņš”.
ka galvenā mācību grāmata bija „Tintiņš”.
03:07
(Laughter)
46
162000
1000
(Smiekli)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Viņi teica:
„Pasaulē joprojām esam „mēs” un „viņi”.
„Pasaulē joprojām esam „mēs” un „viņi”.
03:11
And we is Western world and them is Third World."
48
166000
3000
„Mēs” esam Rietumu pasaule
un „viņi” ir Trešā pasaule.”
un „viņi” ir Trešā pasaule.”
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
„Ko jūs domājat ar Rietumu pasauli?”
es jautāju.
es jautāju.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
„Nu, tā ir ilga dzīve un maza ģimene,
Trešajā pasaulē
ir īsa dzīve un liela ģimene.”
ir īsa dzīve un liela ģimene.”
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
To es te varēju attēlot.
Te es liku dzimstības koeficientu,
bērnu skaitu uz vienu sievieti:
bērnu skaitu uz vienu sievieti:
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
viens, divi, trīs, četri,
līdz astoņiem bērniem vienai sievietei.
līdz astoņiem bērniem vienai sievietei.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Mums kopš 1962. gada, aptuveni 1960. gada,
ir ļoti labi dati
par ģimeņu izmēriem visās valstīs.
par ģimeņu izmēriem visās valstīs.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
Statistiskā kļūda ir ļoti neliela.
Te es liku sagaidāmo dzīvildzi
dzimšanas brīdī,
dzimšanas brīdī,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
no 30 gadiem dažās valstīs
līdz pat 70 gadiem citās.
līdz pat 70 gadiem citās.
03:45
And 1962, there was really a group of countries here
56
200000
3000
1962. gadā tiešām pastāvēja valstu grupa,
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
kas bija industrializētās valstis,
tajās bija mazas ģimenes un ilga dzīve.
03:53
And these were the developing countries:
58
208000
2000
Šīs bija attīstības valstis:
03:55
they had large families and they had relatively short lives.
59
210000
3000
tajās bija lielas ģimenes
un samērā īsa dzīve.
un samērā īsa dzīve.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Kas ir noticis kopš 1962. gada?
Mēs vēlamies redzēt izmaiņas.
Mēs vēlamies redzēt izmaiņas.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Vai studentiem ir taisnība?
Vai joprojām ir divu veidu valstis?
Vai joprojām ir divu veidu valstis?
Vai arī šajās attīstības valstīs
nu ir mazākas ģimenes un tās atrodas te?
nu ir mazākas ģimenes un tās atrodas te?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
04:09
Or have they got longer lives and live up there?
63
224000
2000
Vai arī tur ir ilgāka dzīve,
un tās atrodas augšā?
un tās atrodas augšā?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Paskatīsimies! Tad mēs apturējām pasauli.
Tā visa ir ANO statistika,
kas padarīta pieejama.
kas padarīta pieejama.
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
Aiziet! Vai redzat?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Tā ir Ķīna, kas virzās
uz labāku veselības stāvokli.
uz labāku veselības stāvokli.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Visas zaļās Latīņamerikas valstis
virzās uz mazākām ģimenēm.
virzās uz mazākām ģimenēm.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Šīs, dzeltenās, ir arābu valstis,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
tām palielinās ģimenes, nē,
dzīvildze, bet ne lielākas ģimenes.
dzīvildze, bet ne lielākas ģimenes.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Afrikāņi ir šie te zaļie.
Viņi joprojām ir te.
Viņi joprojām ir te.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Tā ir Indija.
Indonēzija pārvietojas diezgan ātri.
Indonēzija pārvietojas diezgan ātri.
04:36
(Laughter)
72
251000
1000
(Smiekli)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
Astoņdesmitajos Bangladeša
joprojām ir te, kopā ar Āfrikas valstīm.
joprojām ir te, kopā ar Āfrikas valstīm.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Bet nu Bangladeša,
astoņdesmitajos gados notika brīnums:
astoņdesmitajos gados notika brīnums:
04:43
the imams start to promote family planning.
75
258000
3000
imāmi sāk sludināt ģimenes plānošanu.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Bangladeša virzās uz to stūri.
Deviņdesmitajos mums
ir briesmīgā HIV epidēmija,
ir briesmīgā HIV epidēmija,
04:51
that takes down the life expectancy of the African countries
77
266000
3000
kas krasi samazina dzīvildzi Āfrikas valstīs,
04:54
and all the rest of them move up into the corner,
78
269000
4000
un visas pārējās aizvirzās stūrī,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
kur mums ir ilga dzīve un mazas ģimenes,
un mums ir pavisam jauna pasaule.
un mums ir pavisam jauna pasaule.
05:02
(Applause)
80
277000
13000
(Aplausi)
(Aplausi beidzas)
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Pa tiešo salīdzināsim
Amerikas Savienotās Valstis un Vjetnamu.
05:20
1964: America had small families and long life;
82
295000
5000
1964. gads.
Amerikā bija mazas ģimenes un ilga dzīve;
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Vjetnamā bija lielas ģimenes un īsa dzīve.
Un, lūk, kas notiek:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
dati no kara laika rāda,
ka par spīti karā kritušajiem,
ka par spīti karā kritušajiem,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
dzīvildze uzlabojās.
Līdz gada beigām Vjetnamā
aizsākās ģimenes plānošana;
aizsākās ģimenes plānošana;
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
tā tiecās uz mazākām ģimenēm.
05:41
And the United States up there is getting for longer life,
87
316000
3000
ASV tur, augšā.
tiecās uz lielāku dzīvildzi,
tiecās uz lielāku dzīvildzi,
05:44
keeping family size. And in the '80s now,
88
319000
3000
saglabājot ģimenes izmēru.
Astoņdesmitajos gados viņi
atmet komunistisko plānošanu
atmet komunistisko plānošanu
05:47
they give up communist planning and they go for market economy,
89
322000
3000
un izvēlas tirgus ekonomiku,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
un tā attīstās straujāk nekā sociālā dzīve.
Šobrīd mums Vjetnamā
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
ir tāda pati dzīvildze un ģimenes izmērs
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
šeit, Vjetnamā, 2003. gadā
kā Savienotajās Valstīs 1974. gadā,
kara beigās.
kara beigās.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Es domāju, ja neaplūkojam datus, mēs visi
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
nenovērtējam milzīgās izmaiņas Āzijā,
06:14
in social change before we saw the economical change.
95
349000
4000
kas vispirms notika sociālajā jomā,
pirms mēs to redzējām arī ekonomiskajā.
pirms mēs to redzējām arī ekonomiskajā.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Pāriesim pie vēl viena veida,
kā varam attēlot
kā varam attēlot
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
ienākumu sadalījumu pasaulē.
Tas ir pasaules cilvēku ienākumu sadalījums.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Viens dolārs, 10 dolāri
vai 100 dolāri dienā.
vai 100 dolāri dienā.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Vairs nepastāv plaisa starp
bagātajiem un nabagajiem. Tas ir mīts.
bagātajiem un nabagajiem. Tas ir mīts.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Te ir kuprītis.
Bet visur ir cilvēki.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Ja paskatāmies, kur nokļūst ienākumi,
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
tie ir 100% ikgadējo pasaules ienākumu.
20% bagātākajiem cilvēkiem,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
viņiem no tā tiek aptuveni 74%.
Nabadzīgākajiem 20% tiek
aptuveni 2% ienākumu.
aptuveni 2% ienākumu.
07:01
they take about two percent. And this shows that the concept
104
396000
5000
Tas parāda, ka jēdziens par attīstības valstīm
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
ir ārkārtīgi apšaubāms.
Mēs domājam par palīdzības sniegšanu,
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
šiem te cilvēki sniedzot palīdzību šiem cilvēkiem.
Taču pa vidu ir
lielākā daļa pasaules iedzīvotāju,
lielākā daļa pasaules iedzīvotāju,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
un viņiem tiek 24% no visiem ienākumiem.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Mēs esam dzirdējuši dažādas lietas.
Kas ir šie?
Kas ir šie?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Kur atrodas dažādas valstis?
Es varu jums parādīt Āfriku.
Es varu jums parādīt Āfriku.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Lūk, Āfrika.
10% pasaules iedzīvotāju,
lielākā daļa nabadzībā.
lielākā daļa nabadzībā.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Lūk, ESAO.
Bagātās valstis.
ANO privātais klubiņš.
ANO privātais klubiņš.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Viņi ir te, šajā pusē.
Āfrika un ESAO diezgan pārklājās.
Āfrika un ESAO diezgan pārklājās.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Lūk, Latīņamerika.
Tajā ir viss uz šīs pasaules,
no nabadzīgākajiem līdz bagātākajiem
no nabadzīgākajiem līdz bagātākajiem
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
Latīņamerikā.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Tam klāt mēs varam likt Austrumeiropu,
varam likt Austrumāziju,
un varam likt Dienvidāziju.
un varam likt Dienvidāziju.
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
Kā tas izskatās,
ja atgriežamies atpakaļ laikā
ja atgriežamies atpakaļ laikā
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
līdz aptuveni 1970. gadam?
Tad kupris bija lielāks.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Lielākā daļa nabadzībā dzīvojošo bija aziāti.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
Pasaules lielākā problēma
bija nabadzība Āzijā.
bija nabadzība Āzijā.
Ja es ļauju laikam ritēt uz priekšu,
08:14
you will see that while population increase, there are
120
469000
3000
redzēsiet, ka, palielinoties iedzīvotāju skaitam,
simtiem miljoni cilvēku Āzijā
izkļūst no nabadzības,
izkļūst no nabadzības,
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
bet citi kļūst nabagi,
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
šāda tendence šobrīd valda pasaulē.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Labākais paredzējums
no Pasaules bankas puses ir,
no Pasaules bankas puses ir,
ka notiks šādi
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
un mums vairs nebūs sadalīta pasaule.
Lielākā daļa cilvēku būs pa vidu.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Protams, tā ir logaritmiska funkcija,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
bet mūsu izpratne par ekonomiku
ir izaugsme procentos.
ir izaugsme procentos.
Mēs uz to raugāmies
kā iespēju iekļūt augstākā procentīlē.
kā iespēju iekļūt augstākā procentīlē.
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
Ja es to mainu un ģimenes ienākumu vietā
paņemu IKP uz vienu iedzīvotāju,
paņemu IKP uz vienu iedzīvotāju,
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
un pārvēršu atsevišķos datus
08:48
individual data into regional data of gross domestic product,
129
503000
6000
par reģionālajiem iekšzemes kopprodukta datiem
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
un izvēlos reģionus te, lejā,
burbuļa izmērs joprojām
parāda iedzīvotāju skaitu.
parāda iedzīvotāju skaitu.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Tur ir ESAO, Subsahāras Āfrika ir tur,
09:01
and we take off the Arab states there,
132
516000
3000
mēs noņemam arābu valstis,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
tā kā tās nāk gan no Āfrikas, gan Āzijas,
mēs tās novietojam atsevišķi.
mēs tās novietojam atsevišķi.
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
Mēs varam izvērst šo asi,
es varu tai piešķirt jaunu dimensiju,
es varu tai piešķirt jaunu dimensiju,
09:13
by adding the social values there, child survival.
135
528000
3000
pievienojot sociālos rādītājus,
bērnu izdzīvošanu.
bērnu izdzīvošanu.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Nu man uz šīs ass ir nauda,
bet uz otras
bērnu izdzīvošanas iespējamība.
bērnu izdzīvošanas iespējamība.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
Dažās valstīs līdz 5 gadu vecumam
izdzīvo 99,7% bērnu;
izdzīvo 99,7% bērnu;
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
citās — tikai 70%.
Šeit, šķiet, ir plaisa starp ESAO,
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
Latīņameriku, Austrumeiropu, Austrumāziju,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
arābu valstīm, Dienvidāziju
un Subsahāras Āfriku.
un Subsahāras Āfriku.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
Pastāv spēcīga linearitāte
starp bērnu izdzīvošanu un naudu.
starp bērnu izdzīvošanu un naudu.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Taču ļaujiet sadalīt sīkāk
Subsahāras Āfriku.
Subsahāras Āfriku.
Tur ir veselība,
un labāka veselība ir tur, augšā.
un labāka veselība ir tur, augšā.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Es varu ņemt un sadalīt
Subsahāras Āfriku atsevišķās valstīs.
Subsahāras Āfriku atsevišķās valstīs.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Pēc sašķelšanās
valsts burbuļa izmērs
atbilst iedzīvotāju skaitam.
atbilst iedzīvotāju skaitam.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Sjerraleone ir tur, lejā.
Maurīcija — tur, augšā.
Maurīcija — tur, augšā.
Maurīcija bija pirmā valsts,
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
kurā atcēla tirdzniecības ierobežojumus,
un viņi varēja pārdot savu cukuru,
un viņi varēja pārdot savu cukuru,
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
viņi varēja pārdot savus audumus
ar tādiem pašiem nosacījumiem
kā cilvēki Eiropā un Ziemeļamerikā.
kā cilvēki Eiropā un Ziemeļamerikā.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Āfrikā pastāv milzīga atšķirība.
Gana ir te, pa vidu.
Gana ir te, pa vidu.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
Sjerraleonē — humānā palīdzība.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Šeit, Ugandā — attīstības palīdzība.
Te laiks ieguldīt,
tur jūs varat doties brīvdienās.
tur jūs varat doties brīvdienās.
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
Milzīgās atšķirības
Āfrikas valstu vidū,
Āfrikas valstu vidū,
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
ko reti ņemam vērā, viss nav tik vienāds.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Es varu sadalīt Dienvidāziju.
Indija ir lielais burbulis vidū.
Indija ir lielais burbulis vidū.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Bet starp Afganistānu un Šrilanku
ir milzīga atšķirība.
ir milzīga atšķirība.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Es varu sadalīt arābu valstis.
Kā klājas tām?
Kā klājas tām?
Vienāds klimats, vienāda kultūra,
viena reliģija, milzīga atšķirība.
viena reliģija, milzīga atšķirība.
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
Pat starp kaimiņiem.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Jemenā pilsoņu karš,
Apvienotajos Arābu Emirātos nauda,
ko vienlīdzīgi un veiksmīgi izmantoja.
ko vienlīdzīgi un veiksmīgi izmantoja.
10:54
Not as the myth is. And that includes all the children of the foreign workers who are in the country.
158
629000
7000
Ne tā, kā vēsta mīti.
Tostarp arī visi ārzemju strādnieku bērni,
kas atrodas valstī.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Dati nereti izrādās labāki nekā šķiet.
Daudzi saka, ka dati ir slikti.
Daudzi saka, ka dati ir slikti.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Pastāv kļūdas iespējamība,
bet te mēs redzam atšķirību:
bet te mēs redzam atšķirību:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Kambodža, Singapūra.
Atšķirība ir daudz lielāka
nekā datu nepilnība.
nekā datu nepilnība.
11:11
than the weakness of the data. East Europe:
162
646000
3000
Austrumeiropa:
ilgu laiku padomju ekonomika,
ilgu laiku padomju ekonomika,
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
bet pēc 10 gadiem valstis
no tās iznākušas ļoti, ļoti, atšķirīgi.
no tās iznākušas ļoti, ļoti, atšķirīgi.
11:20
very, very differently. And there is Latin America.
164
655000
3000
Vēl ir Latīņamerika.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Šodien mums nav jādodas uz Kubu,
lai atrastu veselīgu Latīņamerikas valsti.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Dažu gadu laikā Čīlē būs
zemāka bērnu mirstība nekā Kubā.
zemāka bērnu mirstība nekā Kubā.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Te mums ir ESAO valstis
ar augstiem ienākumiem.
ar augstiem ienākumiem.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Te mums ir visas pasaules tendences,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
kas izskatās vairāk vai mazāk šādi.
Ja aplūkojam,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
kā 1960. gadā izskatās pasaule,
tā sāk pārvietoties.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Tas ir Mao Dzeduns.
Viņš atnesa Ķīnai veselību.
Viņš atnesa Ķīnai veselību.
Tad viņš nomira.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Tad nāca Dens Sjaopins
un atnesa Ķīnai naudu,
un atnesa Ķīnai naudu,
un atkal ieveda Ķīnu kopējā plūsmā.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Mēs esam redzējuši, kā valstis šādā veidā pārvietojas dažādos virzienos,
12:02
so it's sort of difficult to get
174
697000
4000
tāpēc ir pagrūti atrast paraugvalsti,
12:06
an example country which shows the pattern of the world.
175
701000
5000
kas atspoguļotu kopējo tendenci visā pasaulē.
Tomēr es vēlētos jūs atvest atpakaļ
līdz aptuveni 1960. gadam.
līdz aptuveni 1960. gadam.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Es vēlētos salīdzināt
Dienvidkoreju, kas ir šī te,
ar Brazīliju, kas ir šī valsts.
ar Brazīliju, kas ir šī valsts.
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
Tur man pazuda apzīmējums.
Es vēlētos salīdzināt Ugandu, kas ir te.
12:32
which is there. And I can run it forward, like this.
179
727000
5000
Es to varu paātrināt šādi.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Jūs redzat, kā Dienvidkoreja kāpj ļoti, ļoti strauji,
12:46
whereas Brazil is much slower.
181
741000
3000
kamēr Brazīlija to dara daudz lēnāk.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Ja paejam atpakaļ un pieliekam tām pēdas,
12:55
you can see again that the speed of development
183
750000
4000
jūs redzat, ka attīstības ātrums
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
ir ļoti, ļoti atšķirīgs,
valstis kāpj vairāk vai mazāk ar
tādu pašu ātrumu kā nauda un veselība,
tādu pašu ātrumu kā nauda un veselība,
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
bet šķiet, ka kustēties var daudz ātrāk,
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
ja vispirms ir veselība, nevis bagātība.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Lai to parādītu, mēs varam pavērot
Apvienoto Arābu Emirātu ceļu.
Apvienoto Arābu Emirātu ceļu.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Viņi nāk no šejienes, minerālu valsts.
Viņiem tika visa nafta;
viņi dabūja visu naudu,
viņi dabūja visu naudu,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
bet veselību nevar nopirkt lielveikalā.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Veselībā ir jāiegulda.
Bērniem ir jānodrošina skološana.
Bērniem ir jānodrošina skološana.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Jāapmāca veselības aprūpes personāls.
Jāizglīto iedzīvotāji.
Jāizglīto iedzīvotāji.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Šeihs Zajeds to paveica diezgan labi.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Par spīti krītošajām naftas cenām,
viņš pacēla valsti te augšā.
viņš pacēla valsti te augšā.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Tādējādi mēs esam ieguvuši
populārāku pasaules atainojumu,
populārāku pasaules atainojumu,
13:43
where all countries tend to use their money
195
798000
2000
kur visas valstis izmanto savu naudu
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
labāk nekā tās to ir darījušas pagātnē.
Tā tas ir vairāk vai mazāk,
ja aplūkojat valstu vidējos rādītājus,
ja aplūkojat valstu vidējos rādītājus,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
tie ir šādi.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Vidējo rādītāju izmantošana ir bīstama,
jo valstu iekšienē
pastāv tik liela atšķirībā.
pastāv tik liela atšķirībā.
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
Ja es paskatos te, mēs redzam,
ka Uganda šobrīd atrodas tur,
ka Uganda šobrīd atrodas tur,
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
kur Dienvidkoreja bija 1960. gadā.
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
Ja es sadalu Ugandu sīkāk,
Uganda pastāv diezgan liela atšķirība.
Uganda pastāv diezgan liela atšķirība.
Tās ir Ugandas kvintiles.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Šeit ir bagātākie 20% Ugandas iedzīvotāju.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Nabadzīgākie ir te lejā.
Ja es sadalu Dienvidāfriku,
tā izskatās šādi.
tā izskatās šādi.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Ja es pavirzos lejup un aplūkoju Nigēru,
kur bija ļoti briesmīgs bads,
tā izskatās šādi.
tā izskatās šādi.
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
Nigēras nabadzīgākie 20% atrodas te,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
un Dienvidāfrikas bagātākie 20% atrodas te,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
un tomēr mēs mēdzam apspriest to,
kādi ir risinājumi situācijai Āfrikā.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Āfrikā ir viss, kas ir šajā pasaulē.
Jūs nevarat apspriest universālu pieeju HIV [zālēm]
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
gan šai kvintīlei šeit augšā,
gan tai, kas ir te, lejā.
gan tai, kas ir te, lejā.
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
Pasaules uzlabošanai jābūt
ļoti saskaņotai ar kontekstu,
ļoti saskaņotai ar kontekstu,
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
nav nozīmes to darīt reģionālā līmenī.
15:00
on regional level. We must be much more detailed.
212
875000
3000
Mums jābūt daudz smalkākiem.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Mēs redzam, ka studenti,
to izmantojot, aizraujas.
to izmantojot, aizraujas.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Arvien vairāk politikas veidotāju
un korporatīvo sektoru
un korporatīvo sektoru
vēlētos redzēt, kā pasaule mainās.
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
Kāpēc tas nenotiek?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Kāpēc mēs neizmantojam mums esošos datus?
Mums ir dati Apvienoto Nāciju Organizācijā,
nacionālajās statistikas aģentūrās,
nacionālajās statistikas aģentūrās,
15:20
in the national statistical agencies
217
895000
2000
15:22
and in universities and other non-governmental organizations.
218
897000
4000
universitātēs un citās nevalstiskās organizācijās.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Tāpēc, ka dati ir paslēpti datubāzēs.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
Mums ir sabiedrība,
un mums ir Internets,
un mums ir Internets,
bet mēs joprojām
to lietderīgi neizmantojam.
to lietderīgi neizmantojam.
15:33
All that information we saw changing in the world
221
908000
3000
Visā tajā informācijā,
kas mūsu acu priekšā mainīja pasauli,
kas mūsu acu priekšā mainīja pasauli,
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
nav iekļauta publiski finansētā statistika.
Ir dažas šāda veida mājaslapas,
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
kas nosmeļ nelielu
informācijas daļu no datubāzēm,
informācijas daļu no datubāzēm,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
bet cilvēki uzliek tām cenu,
stulbas paroles un garlaicīgu statistiku.
stulbas paroles un garlaicīgu statistiku.
15:51
(Laughter) (Applause)
225
926000
3000
(Smiekli)
Tā tas nestrādā.
(Aplausi)
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Kas tad ir vajadzīgs? Mums ir datubāzes.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Nevajag jaunas datubāzes.
Mums ir brīnišķīgi dizaina rīki,
un tādi tiek veidoti vēl un vēl.
un tādi tiek veidoti vēl un vēl.
16:02
and more and more are added up here. So we started
228
937000
3000
Tādēļ mēs izveidojām bezpeļņas pasākumu,
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
ko, sasaistot datus ar dizainu,
nosaucām par Gapminder,
nosaucām par Gapminder,
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
ņemot nosaukumu no Londonas metro,
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
kur brīdina „mind the gap”
(uzmanieties no spraugas).
(uzmanieties no spraugas).
Tādēļ mums šķita,
ka Gapminder ir piemērots nosaukums.
ka Gapminder ir piemērots nosaukums.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Mēs sākām rakstīt programmu,
kas šādi varētu sasaistīt datus.
kas šādi varētu sasaistīt datus.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Tas nebija nemaz tik grūti.
Tas aizņēma pāris gadus cilvēku darba,
un mēs esam saražojuši animācijas.
un mēs esam saražojuši animācijas.
16:26
You can take a data set and put it there.
234
961000
2000
Jūs varat paņemt datu kopu un ievietot to šeit.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Mēs atbrīvojam ANO
un dažu ANO organizāciju datus.
un dažu ANO organizāciju datus.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Dažas valstis pieņem to,
ka viņu datubāzes dodas pasaulē,
ka viņu datubāzes dodas pasaulē,
16:37
but what we really need is, of course, a search function.
237
972000
3000
taču mums patiesībā, protams,
vajag meklēšanas iespēju.
vajag meklēšanas iespēju.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Meklēšanas funkcija, kurā varat
nokopēt datus līdz atrodamam formātam
nokopēt datus līdz atrodamam formātam
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
un palaist tos pasaulē.
Ko mēs dzirdam, pastaigājot apkārt?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Esmu veicis
galveno statistikas vienību antropoloģiju.
galveno statistikas vienību antropoloģiju.
Visi saka: „Tas ir neiespējami,
Tas nav paveicams.
Tas nav paveicams.
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
Mūsu informācija sīkumos ir tik īpatnēja
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
tādēļ to nevar meklēt
tāpat kā citu informāciju.
tāpat kā citu informāciju.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Mēs nevaram studentiem par brīvu dot datus,
par brīvu dot pasaules uzņēmējiem.”
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Bet to mēs vēlētos redzēt, vai ne?
17:08
The publicly-funded data is down here.
245
1003000
3000
Publiski finansētie dati ir te lejā.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
Mēs gribētu, lai no Interneta
sāktu spraukties ārā puķes.
sāktu spraukties ārā puķes.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Viens no vissvarīgākajiem mērķiem
ir padarīt datubāzes meklējamas,
ir padarīt datubāzes meklējamas,
un tad cilvēki var izmantot
dažādus modelēšanas rīkus to animēšanai.
dažādus modelēšanas rīkus to animēšanai.
17:19
the different design tool to animate it there.
248
1014000
2000
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Man jums ir diezgan labas ziņas.
Labās ziņas ir tādas, ka tagadējais
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
jaunais ANO Statistikas vadītājs nesaka,
ka tas nav iespējams.
ka tas nav iespējams.
17:30
He only says, "We can't do it."
251
1025000
2000
Viņš tikai saka: „Mēs to nevaram.”
17:32
(Laughter)
252
1027000
4000
(Smiekli)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
Diezgan gudrs puisis, ne?
17:38
(Laughter)
254
1033000
2000
(Smiekli)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Tā kā mēs redzam, ka turpmākajos gados
ar datiem daudz kas notiks.
ar datiem daudz kas notiks.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Mēs varēsim aplūkot ienākumu sadalījumu
pavisam jaunos veidos.
pavisam jaunos veidos.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Šis ir Ķīnas ienākumu sadalījums 1970. gadā.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
Šis ir ASV ienākumu sadalījums 1970. gadā.
Gandrīz nekādas pārklāšanās.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Kas tad ir noticis?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Lūk, kas ir noticis:
Ķīna aug, un tajā vairs nav tik liela vienlīdzība,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
tā parādās te, skatoties no augšas uz ASV.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Gandrīz kā spoks, vai ne?
18:14
(Laughter)
263
1069000
2000
(Smiekli)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Diezgan biedējoši.
(Smiekli)
Tomēr, manuprāt,
iegūt visu šo informāciju ir ļoti svarīgi.
iegūt visu šo informāciju ir ļoti svarīgi.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Mums tiešām tas ir jāredz.
Tā vietā, lai skatītos uz šo,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
es gribētu pabeigt šo runu,
parādot Interneta lietotāju skaitu uz 1000.
parādot Interneta lietotāju skaitu uz 1000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Šajā programmā mums ir diezgan viegla pieeja
aptuveni 500 mainīgajiem no visām valstīm.
18:42
It takes some time to change for this,
268
1097000
4000
Vajag nedaudz laika, lai to nomainītu,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
bet uz asīm jūs gaužām vienkārši
varat uzlikt jebkuru mainīgo.
varat uzlikt jebkuru mainīgo.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Vajadzētu panākt,
lai datubāzes būtu bez maksas,
lai datubāzes būtu bez maksas,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
lai tās būtu pārmeklējamas,
un ar vēl vienu klikšķi
un ar vēl vienu klikšķi
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
tās varētu pārveidot grafiskā formātā,
kurā tās uzreiz varētu saprast.
kurā tās uzreiz varētu saprast.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Statistiķiem tas nepatīk,
jo viņi saka, ka tas neatspoguļos realitāti;
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
mums vajag statistiski analītiskas metodes.
19:16
But this is hypothesis-generating.
275
1131000
3000
Šī ir hipotēzes formulēšana.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Nu es beigšu ar pasauli.
Tur parādās Internets.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
Interneta lietotāju skaits aug šādi.
Tas ir IKP uz vienu iedzīvotāju.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Tiek ieviesta jauna tehnoloģija,
bet apbrīnojami,
bet apbrīnojami,
cik ļoti tā atbilst valstu ekonomikām.
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
Tieši tādēļ 100 dolāru datori būs tik svarīgi.
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
Jauka tendence.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Šķiet, ka pasaule lēnām izlīdzinās, ne tā?
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
Šīs valstis ceļ vairāk nekā tikai ekonomiku,
un būs ļoti interesanti sekot tam gada laikā,
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
kā man to gribētos spēt darīt
ar visiem publiski finansētajiem datiem.
ar visiem publiski finansētajiem datiem.
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
Liels paldies!
19:53
(Applause)
285
1168000
3000
(Aplausi)
ABOUT THE SPEAKER
Hans Rosling - Global health expert; data visionaryIn Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus.
Why you should listen
Even the most worldly and well-traveled among us have had their perspectives shifted by Hans Rosling. A professor of global health at Sweden's Karolinska Institute, his work focused on dispelling common myths about the so-called developing world, which (as he pointed out) is no longer worlds away from the West. In fact, most of the Third World is on the same trajectory toward health and prosperity, and many countries are moving twice as fast as the west did.
What set Rosling apart wasn't just his apt observations of broad social and economic trends, but the stunning way he presented them. Guaranteed: You've never seen data presented like this. A presentation that tracks global health and poverty trends should be, in a word: boring. But in Rosling's hands, data sings. Trends come to life. And the big picture — usually hazy at best — snaps into sharp focus.
Rosling's presentations were grounded in solid statistics (often drawn from United Nations and World Bank data), illustrated by the visualization software he developed. The animations transform development statistics into moving bubbles and flowing curves that make global trends clear, intuitive and even playful. During his legendary presentations, Rosling took this one step farther, narrating the animations with a sportscaster's flair.
Rosling developed the breakthrough software behind his visualizations through his nonprofit Gapminder, founded with his son and daughter-in-law. The free software — which can be loaded with any data — was purchased by Google in March 2007. (Rosling met the Google founders at TED.)
Rosling began his wide-ranging career as a physician, spending many years in rural Africa tracking a rare paralytic disease (which he named konzo) and discovering its cause: hunger and badly processed cassava. He co-founded Médecins sans Frontièrs (Doctors without Borders) Sweden, wrote a textbook on global health, and as a professor at the Karolinska Institut in Stockholm initiated key international research collaborations. He's also personally argued with many heads of state, including Fidel Castro.
Hans Rosling passed away in February 2017. He is greatly missed.
Hans Rosling | Speaker | TED.com