1
00:00:00,000 --> 00:00:04,000
Před zhruba deseti lety jsem se ujal výuky kurzu světového rozvoje

2
00:00:04,000 --> 00:00:08,000
pro švédské vysokoškolské studenty. Předtím jsem strávil

3
00:00:08,000 --> 00:00:12,000
asi dvacet let v Africe, kde jsem spolu s tamními institucemi studoval nedostatek potravin,

4
00:00:12,000 --> 00:00:16,000
takže se ode mě tak trochu očekávalo, že o světě něco málo vím.

5
00:00:16,000 --> 00:00:21,000
Na naší lékařské univerzitě, institutu Karolinska, jsem zahájil

6
00:00:21,000 --> 00:00:25,000
výuku předmětu "Globální zdraví". Když ale dostanete

7
00:00:25,000 --> 00:00:28,000
takovou příležitost, začnete být trochu nervózní. Říkal jsem si, že studenti,

8
00:00:28,000 --> 00:00:31,000
kteří k nám přicházejí, měli to nejlepší vzdělání,

9
00:00:31,000 --> 00:00:34,000
jaké mohou švédské školy poskytnout - takže možná už znají vše,

10
00:00:34,000 --> 00:00:38,000
co je chci učit. Než jsme tedy začali, nechal jsem je napsat test.

11
00:00:38,000 --> 00:00:41,000
Jedna z otázek, ze které jsem se hodně poučil, byla:

12
00:00:41,000 --> 00:00:45,000
"Která země z každé z následujících pěti dvojic má vyšší dětskou úmrtnost?"

13
00:00:45,000 --> 00:00:49,000
Poskládal jsem je tak, aby v každé z dvojic

14
00:00:49,000 --> 00:00:54,000
měla jedna země dvojnásobnou úmrtnost oproti druhé. To znamená,

15
00:00:54,000 --> 00:00:59,000
že rozdíl je daleko větší než by mohla způsobit nepřesná data.

16
00:00:59,000 --> 00:01:01,000
Nebudu vás tu zkoušet, správně je Turecko,

17
00:01:01,000 --> 00:01:06,000
které ji zde má vyšší, Polsko, Rusko, Pákistán a Jihoafrická republika.

18
00:01:06,000 --> 00:01:09,000
A tohle jsou výsledky švédských studentů. Získal jsem

19
00:01:09,000 --> 00:01:12,000
poměrně úzký interval spolehlivosti, což mě samozřejmě potěšilo,

20
00:01:12,000 --> 00:01:16,000
konkrétně 1,8 správné odpovědi z pěti možných. To znamená, že

21
00:01:16,000 --> 00:01:19,000
existovalo místo pro profesora mezinárodního zdravotnictví -

22
00:01:19,000 --> 00:01:21,000
(Smích) a pro můj předmět.

23
00:01:21,000 --> 00:01:25,000
Ale jednou pozdě večer, když jsem zpracovával referát,

24
00:01:25,000 --> 00:01:29,000
jsem si uvědomil svůj objev. Ukázal jsem,

25
00:01:29,000 --> 00:01:34,000
že nejlepší švédští studenti vědí statisticky významně méně

26
00:01:34,000 --> 00:01:36,000
o světě než šimpanzi.

27
00:01:36,000 --> 00:01:38,000
(Smích)

28
00:01:38,000 --> 00:01:42,000
Šimpanz by totiž získal polovinu správných odpovědí, pokud bych mu dal

29
00:01:42,000 --> 00:01:45,000
dva banány s nápisy "Srí Lanka" a "Turecko". V polovině případů by měli pravdu.

30
00:01:45,000 --> 00:01:49,000
Studenti tak dobří nebyli. Problém podle mě nespočíval v ignoranci -

31
00:01:49,000 --> 00:01:52,000
byly to předsudky.

32
00:01:52,000 --> 00:01:56,000
Provedl jsem také neetickou studii na profesorech institutu Karolinska,

33
00:01:56,000 --> 00:01:57,000
(Smích)

34
00:01:57,000 --> 00:01:59,000
který uděluje Nobelovu cenu za medicínu,

35
00:01:59,000 --> 00:02:01,000
a ti dopadli stejně jako šimpanzi.

36
00:02:01,000 --> 00:02:04,000
(Smích)

37
00:02:04,000 --> 00:02:08,000
V ten moment jsem si uvědomil, že je opravdu potřeba komunikovat,

38
00:02:08,000 --> 00:02:11,000
protože data o tom, co se děje ve světě,

39
00:02:11,000 --> 00:02:14,000
a o zdraví dětí v každé zemi jsou dobře známá.

40
00:02:14,000 --> 00:02:19,000
Vytvořili jsme software, který data zobrazuje takto: každá bublina představuje jednu zemi.

41
00:02:19,000 --> 00:02:25,000
Tahle země je Čína, tahle Indie.

42
00:02:25,000 --> 00:02:31,000
Velikost bubliny odráží populaci země. Na tuto osu jsem umístil porodnost.

43
00:02:31,000 --> 00:02:34,000
Mí studenti totiž říkali,

44
00:02:34,000 --> 00:02:36,000
když se dívali na svět a já se jich zeptal:

45
00:02:36,000 --> 00:02:38,000
"Co si doopravdy myslíte o světě?"

46
00:02:38,000 --> 00:02:42,000
No, zjistil jsem, že studovali převážně Tintina.

47
00:02:42,000 --> 00:02:43,000
(Smích)

48
00:02:43,000 --> 00:02:46,000
Říkali: "Svět je stále rozdělen na 'nás' a na 'ně'.

49
00:02:46,000 --> 00:02:49,000
My jsme západní svět, oni jsou třetí svět."

50
00:02:49,000 --> 00:02:52,000
"A co myslíte tím západním světem?" ptal jsem se.

51
00:02:52,000 --> 00:02:57,000
"No, to je dlouhý život a malá rodina, a třetí svět je krátký život a velká rodina"

52
00:02:57,000 --> 00:03:03,000
Takže tohle zde můžu zobrazit. Zde jsem dal porodnost - počet dětí na ženu -

53
00:03:03,000 --> 00:03:07,000
jedno, dvě, tři, čtyři až osm dětí na ženu.

54
00:03:07,000 --> 00:03:13,000
Od roku 1962, nebo asi od roku 1960, máme velmi podrobná data o velikosti rodin ve všech zemích.

55
00:03:13,000 --> 00:03:16,000
Statistická odchylka je malá. Tady pak ukazuji průměrnou délku života,

56
00:03:16,000 --> 00:03:20,000
od třiceti let v některých zemích až po sedmdesát.

57
00:03:20,000 --> 00:03:23,000
V roce 1962 tady máme skupinu zemí,

58
00:03:23,000 --> 00:03:28,000
industrializovaných zemí, ve kterých jsou malé rodiny a dlouhá doba života.

59
00:03:28,000 --> 00:03:30,000
A tady tyto země byly rozvojové:

60
00:03:30,000 --> 00:03:33,000
byly v nich velké rodiny a žili relativně krátké životy.

61
00:03:33,000 --> 00:03:37,000
No a co se stalo od roku 1962? Chceme vidět tu změnu.

62
00:03:37,000 --> 00:03:40,000
Mají studenti pravdu? Existují pořád dva typy zemí?

63
00:03:41,000 --> 00:03:44,000
Nebo se v rozvojových zemích zmenšily rodiny a žijí asi tady?

64
00:03:44,000 --> 00:03:46,000
Možná, že žijí déle a nacházejí se tady nahoře...

65
00:03:46,000 --> 00:03:49,000
Tak se podívejme. Tohle jsou všechno statistiky OSN,

66
00:03:49,000 --> 00:03:52,000
které byly dostupné. Jdeme na to. Vidíte?

67
00:03:52,000 --> 00:03:55,000
To je Čína, která se pohybuje k lepší zdravotní péči, zlepšuje se.

68
00:03:55,000 --> 00:03:58,000
Všechny zelené latinskoamerické země směřují k menším rodinám.

69
00:03:58,000 --> 00:04:01,000
Tyhle žluté jsou arabské státy,

70
00:04:01,000 --> 00:04:05,000
které mají větší rodiny, ale - ne, delší život, ale ne větší rodiny.

71
00:04:05,000 --> 00:04:08,000
Afričané jsou tihle zelení dole. Pořád tam zůstávají.

72
00:04:08,000 --> 00:04:11,000
Tady máme Indii. Indonésie sebou celkem hnula.

73
00:04:11,000 --> 00:04:12,000
(Smích)

74
00:04:12,000 --> 00:04:15,000
V osmdesátých letech je Bangladéš pořád mezi africkými zeměmi.

75
00:04:15,000 --> 00:04:18,000
Ale teď, v osmdesátých letech, se v Bangladéši stal zázrak:

76
00:04:18,000 --> 00:04:21,000
imámové začali prosazovat plánované rodičovství.

77
00:04:21,000 --> 00:04:26,000
Posunují se támhle do rohu. A v devadesátých letech se odehrála hrozná epidemie HIV,

78
00:04:26,000 --> 00:04:29,000
která stáhla dolů délku života v afrických zemích

79
00:04:29,000 --> 00:04:33,000
a všechny ostatní směřují nahoru do rohu,

80
00:04:33,000 --> 00:04:37,000
kde máme dlouhé životy v malé rodině, a tak vznikl zcela nový svět.

81
00:04:37,000 --> 00:04:50,000
(Potlesk)

82
00:04:50,000 --> 00:04:55,000
Teď přímo srovnám Spojené státy americké a Vietnam.

83
00:04:55,000 --> 00:05:00,000
V roce 1964 má Amerika malé rodiny a dlouhou dobu života.

84
00:05:00,000 --> 00:05:04,000
Vietnam má velké rodiny a krátké životy. A stane se následující:

85
00:05:04,000 --> 00:05:10,000
data z období války ukazují na to, že i přes všechno to zabíjení

86
00:05:10,000 --> 00:05:13,000
došlo ke zlepšení průměrné doby života. Ke konci roku

87
00:05:13,000 --> 00:05:16,000
byl ve Vietnamu zahájen program plánovaného rodičovství a rodiny se zmenšily.

88
00:05:16,000 --> 00:05:19,000
Spojené státy tam nahoře se propracovávají k delšímu životu

89
00:05:19,000 --> 00:05:22,000
a zachovávají si stejně velké rodiny. V osmdesátých letech

90
00:05:22,000 --> 00:05:25,000
opouští Vietnam komunistické plánování a volí tržní ekonomiku,

91
00:05:25,000 --> 00:05:29,000
což vede i k růstu úrovně společenského života. Dnes máme

92
00:05:29,000 --> 00:05:34,000
ve Vietnamu stejnou průměrnou délku života a stejně velké rodiny,

93
00:05:34,000 --> 00:05:41,000
ve Vietnamu v roce 2003, jako v USA v roce 1974, ke konci války.

94
00:05:41,000 --> 00:05:45,000
Myslím, že všichni, pokud nevěnujeme pozornost těmto datům,

95
00:05:45,000 --> 00:05:49,000
podceňujeme nesmírné změny v Asii, které spočívaly

96
00:05:49,000 --> 00:05:53,000
nejdříve ve změnách společenských a až pak v ekonomických.

97
00:05:53,000 --> 00:05:58,000
Podívejme se teď na jiný graf, na kterém můžeme ukázat

98
00:05:58,000 --> 00:06:05,000
distribuci příjmů. Toto je rozsah lidských příjmů na celém světě.

99
00:06:05,000 --> 00:06:10,000
jeden dolar, deset dolarů nebo sto dolarů za den.

100
00:06:10,000 --> 00:06:14,000
Mezi bohatými a chudými neexistuje žádná propast. To je mýtus.

101
00:06:14,000 --> 00:06:18,000
Tady je sice menší hrb, ale jinak jsou lidé rozložení po celé ose.

102
00:06:19,000 --> 00:06:23,000
Když se podíváme, v čích rukách tyto peníze končí -

103
00:06:23,000 --> 00:06:29,000
toto je sto procent ročního světového příjmu - a nejbohatších dvacet procent

104
00:06:29,000 --> 00:06:36,000
vydělává 74 procent této sumy. A nejchudších dvacet procent

105
00:06:36,000 --> 00:06:41,000
má pro sebe asi dvě procenta. To ukazuje, že koncept

106
00:06:41,000 --> 00:06:45,000
"rozvojových zemí" je velmi pochybný. Přemýšlíme o mezinárodní pomoci jako o

107
00:06:45,000 --> 00:06:50,000
pomoci těchto lidí těmto. Ale uprostřed

108
00:06:50,000 --> 00:06:54,000
máme většinu světové populace, která vydělává 24 procent celkového světového příjmu.

109
00:06:54,000 --> 00:06:58,000
Už jsme o tom slyšeli. A kdo vlastně jsou ti lidé z tohoto grafu?

110
00:06:58,000 --> 00:07:02,000
Kde jsou všechny různé země? Můžu vám ukázat Afriku.

111
00:07:02,000 --> 00:07:07,000
Tohle je Afrika. Deset procent světové populace, převážně žijících v chudobě.

112
00:07:07,000 --> 00:07:12,000
Tohle je OECD. Bohaté země. Výběrový klub OSN.

113
00:07:12,000 --> 00:07:17,000
A ti jsou tady na téhle straně. Afrika a OECD se v jednom místě docela překrývají.

114
00:07:17,000 --> 00:07:20,000
Tohle je Latinská Amerika. Je v ní zastoupeno všechno na světě,

115
00:07:20,000 --> 00:07:23,000
od nejchudších po ty nejbohatší.

116
00:07:23,000 --> 00:07:28,000
Na to všechno můžeme položit východní Evropu, východní Asii

117
00:07:28,000 --> 00:07:33,000
a jižní Asii. A jak by to vypadalo, kdybychom se posunuli zpět v čase,

118
00:07:33,000 --> 00:07:38,000
do doby kolem roku 1970? Tehdy byl ten hrb větší.

119
00:07:38,000 --> 00:07:42,000
A většina lidí žijících v naprosté chudobě byli Asijci.

120
00:07:42,000 --> 00:07:49,000
Světovým problémem byla chudoba v Asii. A když teď nechám svět běžet dál v čase,

121
00:07:49,000 --> 00:07:52,000
uvidíte, že zatímco populace roste,

122
00:07:52,000 --> 00:07:55,000
stovky milionů lidí v Asii se dostávají z chudoby a někteří jiní

123
00:07:55,000 --> 00:07:58,000
do ní upadají. To je rozložení, které máme dnes.

124
00:07:58,000 --> 00:08:02,000
Nejoptimističtější předpověď Světové banky říká, že se stane tohle

125
00:08:02,000 --> 00:08:06,000
a už nebudeme mít rozdělený svět. Většina lidí bude tady uprostřed.

126
00:08:06,000 --> 00:08:08,000
Zde je samozřejmě logaritmická stupnice,

127
00:08:08,000 --> 00:08:13,000
ale my vnímáme ekonomii jako procentuálně rostoucí a považujeme

128
00:08:13,000 --> 00:08:19,000
za možný růst percentilu. Pokud graf změním, místo

129
00:08:19,000 --> 00:08:23,000
rodinného příjmu zadám HDP na obyvatele a změním

130
00:08:23,000 --> 00:08:29,000
tato individuální data na data regionální,

131
00:08:29,000 --> 00:08:33,000
přičemž ty regiony umístím sem dolů - velikost bubliny pořád odpovídá populaci.

132
00:08:33,000 --> 00:08:36,000
Takže zde máte OECD, tady subsaharskou Afriku,

133
00:08:36,000 --> 00:08:39,000
také oddělíme arabské státy,

134
00:08:39,000 --> 00:08:43,000
jak z Afriky, tak z Asie, a umístíme je zvlášť,

135
00:08:43,000 --> 00:08:48,000
a teď rozšíříme tuto osu, můžu jí přidat další dimenzi,

136
00:08:48,000 --> 00:08:51,000
přidáním společenských hodnot, dětskou úmrtnost.

137
00:08:51,000 --> 00:08:56,000
Na této ose tedy máme HDP a na této pravděpodobnost přežití dětí.

138
00:08:56,000 --> 00:09:00,000
V některých zemích se pěti let dožije 99,7 procenta dětí,

139
00:09:00,000 --> 00:09:04,000
v jiných pouze 70. Zde už to vypadá, že existuje mezera

140
00:09:04,000 --> 00:09:08,000
mezi OECD a Latinskou Amerikou, východní Evropou, východní Asií,

141
00:09:08,000 --> 00:09:12,000
arabskými státy, jižní Asií a subsaharskou Afrikou.

142
00:09:12,000 --> 00:09:17,000
Vztah mezi dětskou úmrtností a bohatstvím je velmi lineární.

143
00:09:17,000 --> 00:09:25,000
Ale teď subsaharskou Afriku rozdělím. Zde je znázorněno zdraví, zde je lepší zdraví.

144
00:09:25,000 --> 00:09:30,000
Můžu takto rozdělit subsaharskou Afriku na jednotlivé státy.

145
00:09:30,000 --> 00:09:35,000
Když se rozprskne, velikost bublin jednotlivých zemí odpovídá jejich populaci.

146
00:09:35,000 --> 00:09:39,000
Tady dole je Sierra Leone. Mauricius je nahoře. Mauricius byl první zemí,

147
00:09:39,000 --> 00:09:42,000
která se zbavila obchodních bariér a mohla prodávat svůj cukr.

148
00:09:43,000 --> 00:09:48,000
Mohli prodávat své látky za stejných podmínek jako lidé z Evropy a Severní Ameriky.

149
00:09:48,000 --> 00:09:52,000
V rámci Afriky jsou obrovské rozdíly. A Ghana je tady uprostřed.

150
00:09:52,000 --> 00:09:55,000
V Sierra Leone probíhá humanitární pomoc.

151
00:09:55,000 --> 00:10:00,000
Tady v Ugandě pomoc rozvojová. Zde je čas investovat, sem

152
00:10:00,000 --> 00:10:03,000
můžete jet na dovolenou. Opravdu je zde velká variabilita,

153
00:10:03,000 --> 00:10:08,000
v rámci Afriky, kterou jen zřídka uznáváme - většinou ji považujeme za stejnorodou.

154
00:10:08,000 --> 00:10:12,000
Můžu teď rozdělit jižní Asii. Indie je ta velká bublina uprostřed.

155
00:10:12,000 --> 00:10:16,000
Všimněte si ale obrovského rozdílu mezi Afghánistánem a Srí Lankou.

156
00:10:16,000 --> 00:10:20,000
Rozdělme arabské státy. Jak jsou na tom ony? Stejné klima, stejná kultura,

157
00:10:20,000 --> 00:10:24,000
stejné náboženství. Obrovské rozdíly i mezi sousedy.

158
00:10:24,000 --> 00:10:29,000
Jemen - občanská válka. Spojené arabské emiráty - finance, které byly použity rovnoměrně a správně.

159
00:10:29,000 --> 00:10:36,000
Tedy ne tak, jak tvrdí mýtus. A to jsou v grafu zahrnuty i děti zahraničních pracovníků, kteří se v dané zemi nachází.

160
00:10:36,000 --> 00:10:40,000
Data bývají mnohdy lepší, než myslíte. Mnoho lidí je považuje za nespolehlivá.

161
00:10:41,000 --> 00:10:43,000
Existuje určitá statistická odchylka, ale můžeme vidět, že rozdíl

162
00:10:43,000 --> 00:10:46,000
mezi Kambodžou a Singapurem je daleko větší,

163
00:10:46,000 --> 00:10:49,000
než může být nepřesnost dat. Východní Evropa:

164
00:10:49,000 --> 00:10:55,000
Po dlouhou dobu zde fungoval sovětský ekonomický model, ale po deseti letech vypadá

165
00:10:55,000 --> 00:10:58,000
velice, velice různorodě. A pak je tu Latinská Amerika.

166
00:10:58,000 --> 00:11:02,000
Dnes už nemusíme jet na Kubu, abychom v Latinské Americe našli zemi s dobrým zdravotnictvím.

167
00:11:02,000 --> 00:11:07,000
Chile bude za několik let mít nižší dětskou úmrtnost než Kuba.

168
00:11:07,000 --> 00:11:10,000
A tady máme bohaté země OECD.

169
00:11:10,000 --> 00:11:14,000
Dostali jsme tím pádem mozaiku celého světa,

170
00:11:14,000 --> 00:11:19,000
která vypadá víceméně takto. A když se na ni podíváme,

171
00:11:19,000 --> 00:11:25,000
jak vypadá - v roce 1960, začne se pohybovat. 1960.

172
00:11:25,000 --> 00:11:28,000
Tohle je Mao Ce-Tung. Přinesl do Číny zdraví. Pak zemřel.

173
00:11:28,000 --> 00:11:33,000
Přišel Teng Siao-pching a donesl do Číny peníze, díky kterým se vrátila zpět mezi ostatní země.

174
00:11:33,000 --> 00:11:37,000
Viděli jsme, jak se země pohybují různými směry,

175
00:11:37,000 --> 00:11:41,000
takže je poměrně složité najít

176
00:11:41,000 --> 00:11:46,000
stát, který by ilustroval vývoj celého světa.

177
00:11:46,000 --> 00:11:52,000
Rád bych se teď vrátil zpět do roku 1960.

178
00:11:52,000 --> 00:12:02,000
Srovnám Jižní Koreu, ta je tady, s Brazílií,

179
00:12:02,000 --> 00:12:07,000
která je zde. Teď mi zmizely popisky... A také porovnám Ugandu,

180
00:12:07,000 --> 00:12:12,000
ta je tady. Teď nechám běžet čas.

181
00:12:12,000 --> 00:12:21,000
Můžete si všimnout, že Jižní Korea se velmi, velmi rychle zlepšuje,

182
00:12:21,000 --> 00:12:24,000
zatímco Brazílie je o mnoho pomalejší.

183
00:12:24,000 --> 00:12:30,000
Pokud se zase vrátíme zpět a necháme je dělat stopy,

184
00:12:30,000 --> 00:12:34,000
uvidíme, že rychlost vývoje

185
00:12:34,000 --> 00:12:40,000
se opravdu liší a že se země pohybují víceméně

186
00:12:40,000 --> 00:12:44,000
stejnoměrně, ale zdá se, že se zlepšíte

187
00:12:44,000 --> 00:12:48,000
mnohem rychleji, když jste nejdřív zdraví, než když jste nejdřív bohatí.

188
00:12:49,000 --> 00:12:53,000
Abych to na něčem ukázal, zvýrazním cestu Spojených arabských emirátů.

189
00:12:53,000 --> 00:12:56,000
Začali zde - země nerostného bohatství. Zpeněžili všechnu ropu,

190
00:12:56,000 --> 00:13:00,000
získali dostatek peněz, ale zdraví si nekoupíte v obchodě.

191
00:13:00,000 --> 00:13:04,000
Do zdraví se musí investovat. Musíte dostat děti do škol,

192
00:13:04,000 --> 00:13:07,000
připravovat zdravotníky, vzdělat celou populaci.

193
00:13:07,000 --> 00:13:10,000
A to šejk Sayid zvládl docela dobře.

194
00:13:10,000 --> 00:13:14,000
Navzdory klesajícím cenám ropy svou zemi dostal až sem.

195
00:13:14,000 --> 00:13:18,000
Dostali jsme tedy mnohem stejnorodější vzhled světa,

196
00:13:18,000 --> 00:13:20,000
ve kterém se všechny země snaží utrácet své peníze

197
00:13:20,000 --> 00:13:25,000
lépe, než tomu bylo v minulosti. Tedy, zhruba to platí,

198
00:13:25,000 --> 00:13:32,000
když bereme v úvahu průměrná data z těchto zemí. Vypadají takto.

199
00:13:32,000 --> 00:13:37,000
Používat průměrná data je ale nebezpečné, protože

200
00:13:37,000 --> 00:13:43,000
v rámci jednotlivých zemí existují velké rozdíly. Když se podíváme sem, uvidíme,

201
00:13:43,000 --> 00:13:49,000
že Uganda je dnes tam, kde byla Jižní Korea v roce 1960. Pokud Ugandu rozdělím,

202
00:13:49,000 --> 00:13:54,000
uvidíme, že vůbec není jednolitá. Tohle jsou kvintily - pětiny - Ugandy.

203
00:13:54,000 --> 00:13:57,000
Nejbohatších 20% Uganďanů je zde.

204
00:13:57,000 --> 00:14:01,000
Nejchudší jsou tady dole. Pokud rozdělím Jihoafrickou republiku, bude to vypadat takto.

205
00:14:01,000 --> 00:14:06,000
Nakonec se podívejme na Niger, ve kterém byl hrozivý hladomor.

206
00:14:06,000 --> 00:14:11,000
Rozdělí se takto. Nejchudších dvacet procent Nigeřanů je tady,

207
00:14:11,000 --> 00:14:14,000
nejbohatších dvacet procent Jihoafričanů zde,

208
00:14:14,000 --> 00:14:19,000
a přesto tak často diskutujeme o tom, jak vyřešit situaci v Africe.

209
00:14:19,000 --> 00:14:22,000
V Africe můžeme najít něco ze všeho na světě. A nemůžeme

210
00:14:22,000 --> 00:14:26,000
pro zajištění všeobecné dostupnosti léku proti HIV pro tuhle horní pětinu

211
00:14:26,000 --> 00:14:30,000
použít stejnou strategii jako pro ty nejchudší. Vývoj světa

212
00:14:30,000 --> 00:14:35,000
se musí uvádět v důkladném kontextu, není spolehlivé jej znát jen

213
00:14:35,000 --> 00:14:38,000
na regionální úrovni. Je třeba jít do větších detailů.

214
00:14:38,000 --> 00:14:42,000
Zjistili jsme, že studenti jsou nadšení, když mohou tyto poznatky použít.

215
00:14:42,000 --> 00:14:47,000
A zákonodárci a privátní sektor by také velmi rádi sledovali,

216
00:14:47,000 --> 00:14:51,000
jak se svět mění. Proč tomu tedy tak není?

217
00:14:51,000 --> 00:14:55,000
Proč nevyužíváme dat, která jsou nám k dispozici? Máme data z OSN,

218
00:14:55,000 --> 00:14:57,000
z národních statistických úřadů,

219
00:14:57,000 --> 00:15:01,000
z univerzit a z nevládních organizací.

220
00:15:01,000 --> 00:15:03,000
Bohužel jsou ale všechna schována hluboko v databázích

221
00:15:03,000 --> 00:15:08,000
a pořád je nevyužíváme efektivně. Znázorníme si zde veřejnost a internet.

222
00:15:08,000 --> 00:15:11,000
Žádné z údajů, které se tu před chvílí míhaly,

223
00:15:11,000 --> 00:15:15,000
nepocházely ze statistik financovaných z veřejných zdrojů. Existují nějaké internetové stránky

224
00:15:15,000 --> 00:15:21,000
které takové údaje obsahují, které čerpají informace z těchto databází,

225
00:15:21,000 --> 00:15:26,000
ale lidi na ně lepí cenovky, hloupá hesla a nudné statistiky.

226
00:15:26,000 --> 00:15:29,000
(Smích) (Potlesk)

227
00:15:29,000 --> 00:15:33,000
A tohle nebude fungovat. Co je tedy potřeba? Databáze máme.

228
00:15:33,000 --> 00:15:37,000
Nepotřebujeme tedy nové. Máme úžasné návrhářské nástroje

229
00:15:37,000 --> 00:15:40,000
a neustále jsou vyvíjeny nové. Založili jsme tedy

230
00:15:40,000 --> 00:15:45,000
neziskový podnik, který spojuje data a design,

231
00:15:45,000 --> 00:15:48,000
a nazvali jsme jej Gapminder, podle londýnského metra, kde vás varují

232
00:15:48,000 --> 00:15:51,000
abyste "dali pozor na mezeru" (Mind the gap).

233
00:15:51,000 --> 00:15:55,000
Začali jsme psát program, který by mohl data prezentovat tímto způsobem.

234
00:15:55,000 --> 00:16:01,000
Nebylo to tak těžké - za pár let práce jsme vytvořili animace.

235
00:16:01,000 --> 00:16:03,000
Můžete vzít sadu dat a vložit ji sem.

236
00:16:03,000 --> 00:16:08,000
Uvolňujeme data OSN, z několika jejich organizací.

237
00:16:08,000 --> 00:16:12,000
Některé země souhlasí s uveřejněním svých databází,

238
00:16:12,000 --> 00:16:15,000
ale doopravdy potřebujeme pochopitelně hlavně vyhledávací funkci.

239
00:16:15,000 --> 00:16:20,000
Vyhledávací funkci, pomocí které můžeme data převést do vyhledávatelného formátu

240
00:16:20,000 --> 00:16:23,000
a dostat je do světa. A co nám na to říkají ostatní?

241
00:16:23,000 --> 00:16:27,000
Udělal jsem si malý průzkum mezi hlavními statistickými databázemi. Každý říká:

242
00:16:28,000 --> 00:16:32,000
"Je to nemožné. Tohle se udělat nedá. Naše informace jsou specifické

243
00:16:32,000 --> 00:16:35,000
v mnohých detailech a nemohou být vyhledávány stejným nástrojem jako ostatní.

244
00:16:35,000 --> 00:16:40,000
Nemůžeme je zdarma uvolnit pro studenty ani pro podnikatele po celém světě."

245
00:16:40,000 --> 00:16:43,000
Ale přesně tohle bychom chtěli, nebo ne?

246
00:16:43,000 --> 00:16:46,000
Data získaná za veřejné peníze jsou tady dole,

247
00:16:46,000 --> 00:16:49,000
a chtěli bychom, aby z internetu rostly tyto květiny.

248
00:16:49,000 --> 00:16:54,000
Jeden z klíčových bodů je pak umožnit vyhledávání v datech, načež budou lidé moci použít

249
00:16:54,000 --> 00:16:56,000
nějaký jiný designový nástroj k jejich animaci.

250
00:16:56,000 --> 00:17:01,000
A mám pro vás celkem dobré zprávy. Současný

251
00:17:01,000 --> 00:17:05,000
šéf Statistické divize OSN neříká, že to je nemožné.

252
00:17:05,000 --> 00:17:07,000
Říká jen: "My to nezvládneme."

253
00:17:07,000 --> 00:17:11,000
(Smích)

254
00:17:11,000 --> 00:17:13,000
A to je to celkem chytrý chlap, hm?

255
00:17:13,000 --> 00:17:15,000
(Smích)

256
00:17:15,000 --> 00:17:19,000
Takže vidíme, že v oblasti dat se toho v následujících letech bude dít hodně.

257
00:17:19,000 --> 00:17:23,000
Budeme se moci podívat na rozdělení příjmů zcela novými způsoby.

258
00:17:23,000 --> 00:17:28,000
Toto je distribuce příjmů v Číně v roce 1970,

259
00:17:29,000 --> 00:17:34,000
toto distribuce příjmů ve Spojených státech v roce 1970.

260
00:17:34,000 --> 00:17:38,000
Téměř žádné překrytí. A co se stalo potom?

261
00:17:38,000 --> 00:17:43,000
Stalo se tohle: Čína roste, už není tak stejnorodá,

262
00:17:43,000 --> 00:17:47,000
a objevuje se tady, odkud shlíží na USA.

263
00:17:47,000 --> 00:17:49,000
Skoro jako duch, že?

264
00:17:49,000 --> 00:17:51,000
(Smích)

265
00:17:51,000 --> 00:18:01,000
Je to docela strašidelné. Ale myslím si, že je velmi důležité mít k dispozici všechny tyto informace.

266
00:18:01,000 --> 00:18:07,000
Potřebujeme je znát. A místo sledování těchto údajů

267
00:18:07,000 --> 00:18:12,000
bych chtěl skončit předvedením počtu uživatelů internetu na 1000 obyvatel.

268
00:18:12,000 --> 00:18:17,000
V tomto softwaru máme snadný přístup k asi pěti stům proměnným ze všech zemí.

269
00:18:17,000 --> 00:18:21,000
Chvilku zabere, než to všechno změním,

270
00:18:21,000 --> 00:18:26,000
ale na osách si lehce nastavíte jakoukoli proměnnou budete chtít.

271
00:18:26,000 --> 00:18:31,000
A teď jen zpřístupnit zdarma všechny databáze,

272
00:18:31,000 --> 00:18:34,000
umožnit v nich vyhledávání a dalším kliknutím je převést

273
00:18:34,000 --> 00:18:39,000
do grafického formátu, ve kterém jim okamžitě porozumíte.

274
00:18:39,000 --> 00:18:42,000
Statistikové to sice nemají rádi, říkají, že to pak

275
00:18:42,000 --> 00:18:51,000
nezobrazuje realitu a že musíme používat statistické analytické metody.

276
00:18:51,000 --> 00:18:54,000
Ale to je věc diskuze.

277
00:18:54,000 --> 00:18:58,000
Skončím pohledem na svět. Internet právě přichází.

278
00:18:58,000 --> 00:19:02,000
Počet uživatelů internetu stoupá. Toto je HDP na obyvatele.

279
00:19:02,000 --> 00:19:07,000
Je to nová technologie, ale překvapivě dobře zapadá

280
00:19:07,000 --> 00:19:12,000
do ekonomik jednotlivých zemí. Proto je tak důležitý

281
00:19:12,000 --> 00:19:15,000
počítač za sto dolarů. Ale tendence to je pěkná.

282
00:19:15,000 --> 00:19:18,000
Jako by se svět zplošťoval, že? Tyto země

283
00:19:18,000 --> 00:19:21,000
se zvedají nejen ekonomicky a bude velmi zajímavé

284
00:19:21,000 --> 00:19:25,000
to přes rok sledovat, což snad budete moci dělat

285
00:19:25,000 --> 00:19:27,000
s pomocí všech těch veřejných dat. Mnohokrát vám děkuji.

286
00:19:28,000 --> 00:19:31,000
(Potlesk)