• Drone data. Drones are being used successfully to track 
the movement of endangered tigers in the Panna Tiger 
Reserve in Madya Pradesh in India, and the government 
is now considering the use of drones in 10 other areas rich 
in biodiversity (Ramadurai, 2014). Drones could also be 
used to gather information on the very hardest-to-reach 
populations, such as: nomadic pastoralists; in disaster 
relief efforts (Tode, 2014); or to map land rights.
But more potentially transformative than the collating 
of data that matters to ordinary people is the capacity 
of people to gather data on themselves, or on issues 
relevant to their own lives. The ultimate in demand-driven 
development data is the poor or vulnerable gathering – and 
using – those data themselves.
The Community-Based Monitoring System (CBMS) 
project, started in the Philippines and now implemented 
in 22 countries
across Africa, Asia and Latin America, 
entails community members and local officials tracking 
poverty and development issues at household level. This 
information has proved crucial in many places for local 
budgeting interventions addressing specific group needs. 
For example, it is extremely adept at supporting highly 
accurate targeting for social programmes for the poorest. 
In the Philippines, street-by-street identification of the most 
deserving recipients for conditional cash transfers (CCTs) 
has led to particularly good results in improving school 
attendance and immunisation, the conditions of these 
CCTs (Reyes, 2014). In fact, nearly 50% of all ‘bangarays’ 
(villages) in the Philippines use CBMS (World Vision, 
2014). This is a cheap way of gathering data: it costs 
around US$0.70 per household in the Philippines, and only 
US$0.30 in Vietnam (World Vision, 2014).
The data revolution – Finding the missing millions 41  
49 The United Arab Emirates, Drones for Good Award, see (https://www.dronesforgood.ae/en/award/finalists/project-amer-autonomous-mapping-and-
evaluation-robot). For a discussion of privacy issues surrounding the use of drones, see The Economist (2015).
51 See Partnership for Economic Policy, Country Project Profiles (www.pep-net.org/country-project-profiles).
Box 16: Satellite data
Strikingly, one source of big data that even the most 
stretched national statistics office in developing 
countries report using is satellite images, although 
even 40 years ago this would have seemed an 
impossibly sophisticated technological frontier. The 
use of satellites to predict weather is well known. 
But satellite data can also map differences in the 
Earth’s surface so precisely that we can calculate 
how much water is stored in even the most isolated 
of aquifers (Sullivan, 2015), or analyse the quality 
of soil (Lenhardt, 2015).
Light emissions picked up by satellites are also 
being used to proxy poverty levels and track GDP 
growth to supplement national accounting in data-
poor countries (Henderson et al., 2012). This finding 
has been validated elsewhere: for example, Chen 
and Nordhaus (2010) and Olivia et al (2014) use 
‘gold standard’ data on electrification and economic 
growth for 5,000 sub-districts in Indonesia between 
1992 and 2008. But there is also evidence that this 
relationship can fade once the penetration of electric 
lighting approaches saturation.
Pdf to text - Convert PDF to txt files in C#.net, ASP.NET MVC, WinForms, WPF application
C# PDF to Text (TXT) Converting Library to Convert PDF to Text
pdf to text; convert pdf to editable text
Pdf to text - VB.NET PDF Convert to Text SDK: Convert PDF to txt files in vb.net, ASP.NET MVC, WinForms, WPF application
VB.NET Guide and Sample Codes to Convert PDF to Text in .NET Project
convert pdf to editable text online; convert pdf to word editable text
Big data measure what people actually do, rather than what 
they say they do. As such they can in some ways be more 
robust and subject to less bias than traditional forms of 
data. However, big data are also for the most part untried, 
and so investing in them should not be done unthinkingly.
6.1 Interpretation
Big data will only add value by increasing our 
understanding of the world if used with an understanding 
of context. In a developing country, big data can measure 
in real time and with highly localised detail. Because of 
this it can, for instance, give insights into the relationships 
between different communities or on how people in a 
certain area respond to sudden disasters like flooding, as in 
Haiti and Indonesia.
However, data removed from their 
original context and analysed without an understanding of 
that context could give rise to inaccurate interpretations. 
This could be more unhelpful than not having data at 
all, as it may lead to governments (or others) making the 
wrong decisions based on what they understand to be the 
evidence (Box 17).
Social media for example, will give insights only into 
the conversations of a very small – and unrepresentative – 
sample of the population even in developed countries, let 
alone in developing ones. However, this can be mitigated 
by focusing research in a part of the world where lots of 
people use that form of social media. A Global Pulse case 
study tracking food price inflation using Twitter data did 
so in Jakarta, the city with the largest Twitter presence in 
the world, for example (Box 18, overleaf). 
Another way in which data scientists deal with this 
issue of selection bias is to correct for it, that is to make 
assumptions about the population that is excluded, based 
on household survey data, and then adjust their figures 
But although big data can measure new 
aspects of life, in other ways it is less rich than traditional 
data. It doesn’t tell us about how these aspects interact 
with one another (for example, how the dimensions of 
poverty may be linked and interact with one another 
at a household level), which is vital for targeting poor 
households and for delivering services effectively.
6.2 Integrating different kinds of data
Although this paper started by highlighting inadequate 
data, paradoxically in some cases accuracy is not what 
is needed. Users, including civil society groups and 
governments, may value speed and/or granularity over 
precision, depending on the use and the circumstances. 
When we use Trip Advisor, we do not expect formal peer 
reviews of restaurants or hotels for instance. This may be a 
42 Development Progress Research Report
6. Getting the innovation 
52 http://haitidata.org/maps/133 and www.futuregov
53 Using a so-called difference-in-differences approach. See Guerrini (2014).
Box 17: Big data and spurious correlations: one way to get interpretation wrong
Big data gives us a whole new set of datasets for hypothesis testing. Used correctly, this process can drive 
significant innovation. 
But if you have a big enough dataset, you can find correlations of almost anything. A website called ‘spurious 
He lists just under 40,000 correlations 
(CDC) Wonder databases (also US data). You can, for instance, correlate the per capita consumption of cheese in 
The example is clear – correlation does not equal causality. Research is needed to develop new methods and 
inferences. Unless this happens,
harmful – in that they could be used to (mis-)inform policy.
Source: tylervigen.com.
C# PDF Text Extract Library: extract text content from PDF file in
Text: Extract Text from PDF. |. Home ›› XDoc.PDF ›› C# PDF: Extract PDF Text. Enable extracting PDF text to another PDF file, TXT and SVG formats.
c# convert pdf to text file; changing pdf to text
VB.NET PDF Text Extract Library: extract text content from PDF
PDF ›› VB.NET PDF: Extract PDF Text. Advanced Visual Studio .NET PDF text extraction control, built in .NET framework 2.0 and compatible with Windows system.
convert scanned pdf to word text; pdf image to text
source of tension between statisticians, whose incentives are 
to produce high-quality statistics, and big data providers 
who can produce data quickly but not always cleanly.
But these two demands may be complementary 
rather than mutually exclusive. For instance, there’s 
currently a lag of around two years before official aid 
data are published by the OECD Development Assistance 
Committee (DAC). That the DAC has ensured a consistent 
definition of Official Development Assistance, and that 
the official numbers can be tracked over time is a very 
valuable gold standard, particularly to voters who want 
to hold their donor governments to account. However, 
numbers that are more than a year out of date are not 
helpful for developing-country citizens’ groups wanting 
to track budgets. The International Aid Transparency 
Initiative (IATI) on the other hand provides forward-
looking management-information data as donors release 
them. Around a third of the donors and international 
NGOs report at least quarterly.
The trade-off is that not 
all donors currently report to it. In other words, new data 
serve a different function from traditional data forms, but 
both are still needed.
Combining traditional forms of data, and new forms 
such as big data, is known as interoperability (Box 19). 
New methodologies will need to be devised to do this 
(Box 20) and these will vary across sectors. Google chief 
economist Hal Varian has written extensively on new tools 
and techniques for using big data in econometric analysis, 
for example (Varian, 2014).
6.3 Reaching the marginalised
The data revolution can be deemed successful only if it 
has improved the lives of all, not just of a technologically 
enabled elite. Given the failure of many seemingly radical 
new technologies to change structural power dynamics in 
the past (Graham, 2014), the fears of civil society groups 
that a data revolution might widen and entrench a digital 
divide are perhaps well founded.
When members of the New Zealand Data Futures 
Forum first talked to Maori leaders, they found clear 
concerns. ‘Many Maori do not perceive themselves as 
having benefitted much from the collection and use of 
data. They perceive a real and immediate risk of greater 
data availability being used for ethnic profiling to their 
detriment. Despite widespread demands on them for data 
in the past, the data seems to be rarely used in ways that 
might benefit them… Collection, storage and use of data 
often occur in ways that do not respect Maori tikanga.’
But when new forms of data are combined with better 
use of traditional surveying techniques, rather than 
The data revolution – Finding the missing millions 43  
54  As of February 2015 (http://dashboard.iatistandard.org/timeliness.html)
55 Guidelines for daily life and behaviour in Maori culture. Authors conversation with James Mansell, Director of Innovation, Ministry of Social 
Development NZDFF.
Box 18: Mining Indonesian Tweets to understand food price crises 
Since 2010,
December 2009 and February 2012. With more than 20 million Twitter user accounts in Jakarta, a wealth of data 
is being produced daily.
food security.  combined 
with contextual knowledge,
(UN Global Pulse, 2014).
Pulse Lab Jakarta analysed T
April 2013. Taxonomies, that is groups of words and phrases with related meanings, were developed in the Bahasa 
Indonesia language to identify relevant content. A classification algorithm was trained to categorise the extracted 
tweets as positive, negative, confused, or neutral to analyse their sentiment. Using simple time-series analysis, the 
Twitter conversations and official food 
inflation statistics.  
speaking about food price increases. Moreover, upon analysing fuel price tweets, it was found that perceptions of 
food and fuel prices were related. In particular,
two topics, suggesting that even potential fuel price rises affect people’s perception of food prices.
Source: UN Global Pulse (2014).
Whatever the political context, as 
new forms of data emerge, so too do 
vitally important issues around the 
concentration of knowledge and power.
C# PDF insert text Library: insert text into PDF content in C#.net
|. Home ›› XDoc.PDF ›› C# PDF: Insert Text to PDF. Powerful .NET PDF edit control allows modify existing scanned PDF text.
converting image pdf to text; change pdf to text file
Online Convert PDF to Text file. Best free online PDF txt
Online PDF to Text Converter. Download Free Trial. Convert a PDF to Text. Just upload your file by clicking on the blue button
convert pdf to text vb; convert pdf to txt batch
pushing the currently marginalised further off the grid, 
they have the potential to enable, for the first time, the 
counting – and therefore the inclusion – of disadvantaged 
communities and populations. This involves considerable 
challenges. In some contexts, increasing surveillance 
of the already-marginalised or discriminated-against 
is potentially very problematic. Hypothetically, ethnic-
minority communities could be targeted by police using 
predictive technologies that use data analytics to anticipate 
where and by whom crimes are going to be committed.
This issue has been raised in the context of the Obama 
Administration review of big data and privacy (The White 
House, 2014). Safeguards in the digital world will be very 
important to protect those already vulnerable in the real 
world, as we explore below.
6.4 Ownership, power, privacy and citizens’ 
Some have dismissed fears of the data revolution as a 
threat to privacy and a catalyst to worsening other power 
imbalances as a luxury that only advanced countries 
can afford. Alarm about invasive CCTV cameras, the 
sharing of National Health Service data in the UK, the IS 
National Security Agency spying in Germany, overzealous 
marketeers, and Facebook’s social experiments, are – to 
borrow a trope from social media – #firstworldproblems. 
In many poor countries, the problem lies not in the 
government and private sector knowing too much about 
people, but in the fact that so little is known. The World 
Economic Forum coins the term ‘underknown’ (WEF, 
2015). But however scarce timely, usable data is today in 
developing countries, the private sector is forging ahead 
with new applications of technology that mean that 
increasingly complex power dynamics are inevitable in all 
countries North or South, and will need to be resolved.
Indeed, arguably, ownership and privacy questions 
are even more important in developing countries that are 
non-democratic or have otherwise repressive regimes, 
because the penalty for getting it wrong may be more 
serious than in advanced countries, with ethnic cleansing 
at the extreme range of the spectrum of negative potential 
outcomes. Whatever the political context, as new forms 
of data emerge, so too do vitally important issues around 
the concentration of knowledge and power. We may be 
uncomfortable with Google knowing so much about us, 
but what happens when the government has even more 
information? In particular, what happens to individual 
freedom in authoritarian regimes or when bureaucracies 
go awry? It is far from inconceivable that poor privacy 
practices could mean highly sensitive data about people’s 
ethnicity could be used for nefarious purposes (see Box 20, 
44 Development Progress Research Report
56  See Data and Society Research Institute (2014). 
Box 19: Combining new and old forms of data
Interoperable data can be used together in new ways 
not foreseen when they were collected. This can 
be achieved in two ways. Agreed-upon standards 
for the fundamental organisation of the data – 
semantics, structure and coding – can be applied to 
ensure that the data themselves are compatible and 
can be pooled and analysed together. The alternative 
is to move the compatibility requirement to a higher 
level and develop statistical methods that accept 
either data in various forms or already-prepared 
summaries of data, e.g. indicator values with 
uncertainty intervals, and then produce an overall 
summary or indicator value based on those diverse 
inputs. The second approach is more flexible and 
pragmatic but more ad hoc, requiring a new set of 
methods for each situation.
Note: Box contributed by Sam Clark, University of Washington.
C# PDF Text Search Library: search text inside PDF file in C#.net
|. Home ›› XDoc.PDF ›› C# PDF: Search PDF Text. C#.NET PDF SDK - Search and Find PDF Text in C#.NET. C#.NET PDF DLLs for Finding Text in PDF Document.
convert pdf to txt; convert pdf to txt format online
VB.NET Create PDF from Text to convert txt files to PDF in vb.net
C# File: Split PDF; C# Page: Insert PDF pages; C# Page: Delete PDF pages; C# Read: PDF Text Extract; VB.NET PDF - Create PDF from Text in C#.NET.
convert pdf file to txt file; convert pdf file to text online
The data revolution – Finding the missing millions 45  
Box 20: Some possible solutions
.* However, there are 
some potential partial solutions to the questions of power imbalance. One that appears to have the most potential 
to allow citizens to realise the benefits of data, while at the same time protecting their rights, is a data commons, 
data to be shared with whomever they choose, to their benefit. Tools for managing a personal data bank already 
exist, such as the OPEN PDS platform.**
But there are two key problems with this. First, people may not understand what they are signing, and second, 
obsolete in future.*** Therefore, an appropriate regulatory environment will be necessary. Alex Pentland of MIT 
has proposed a new deal on data,
goods are readily available, while at the same time protecting citizens. The principles of this new deal have now 
and in Europe in the EU Declaration of 
Data Rights) (Edge, 2012).
In East Africa, the African Centre for Technology Studies is working to influence the African Union to introduce 
a model law with guidelines and principles on privacy akin to the above, in the expectation that countries would 
take this into their own national legislature. The ultimate way to ensure privacy may be an old-fashioned one: 
and erring 
on the side of caution.
* See for instance WEF (2015) for a more detailed discussion.
** http://openpds.media.mit.edu/#philosophy.
*** See the work by Yves-Alexandre de Montjoye and Alex Pentland (MIT) on anonymisation. They have shown that anonymous credit-card-
transactions data can be reverse-engineered to identify individual’s transactions (Berinato, 2015).
C# Create PDF from Text to convert txt files to PDF in C#.net, ASP
ASP.NET: Create PDF. ASP.NET: Convert PDF. ASP.NET: Edit PDF Text. ASP.NET: Edit PDF Image. C#.NET PDF - Create PDF from Text in C# Using XDoc.PDF SDK for .NET.
convert pdf to word for editing text; convert pdf to word to edit text online
VB.NET PDF delete text library: delete, remove text from PDF file
from PDF. |. Home ›› XDoc.PDF ›› VB.NET PDF: Delete Text from PDF. Free VB.NET PDF SDK library for deleting PDF text in Visual Studio .NET application.
convert pdf scanned image to text; pdf image to text
Substantial data gaps across a range of sectors are 
hindering governments and citizens in solving problems 
of poverty, inequality and environmental sustainability. 
Because internationally comparable household surveys 
are conducted only intermittently, we have only cross-
national snapshots of the world taken at three- or five-year 
intervals. And because data sources leave out – by design 
and in practice – the world’s most vulnerable people, 
and frequently the issues of importance to them, neither 
governments not citizens have access to the information 
they need to support progressive change.
But progress is underway. Gaps are being filled by 
improving traditional statistical sources, such as censuses, 
household surveys and birth and death registries. Some 
countries are now conducting continuous surveys, 
providing a constant stream of information that reflects 
the dynamic nature of development. Gaps are also being 
filled by big data such as satellite images. And in the future, 
new sources of data gathered from interactions via mobile 
phones and the internet will reveal more about a wider 
range of people – with the potential to allow, for the first 
time, everyone in society to stand up and be counted, 
literally and metaphorically.
However, data will not necessarily lead to better policy-
making and more accountability. Learning will be iterative: 
a range of programmes, projects and pilots experimenting 
with new uses and forms of data will be needed to find what 
works and to adapt to the specific context in a country or 
province. This approach will also mean that processes and 
ideas can be re-shaped as new technologies emerge.
This is entirely appropriate. The data revolution, while 
discussed in global fora, will actually happen at the national, 
regional and hyper-local levels – that is, as close to the 
needs and users as possible. Country-level data compacts, 
currently under discussion (Glassman, 2014), may be a 
good way to foster this, by bringing together governments, 
users such as citizens’ groups and academics, donors and the 
private sector. Together, these stakeholders can work out the 
priority gaps for each country, and develop a road map to 
finance and deliver the change needed.
What is certain, however, is that the data revolution will 
only gather pace. Governments and citizens alike will need to 
harness its power to ensure that its social benefits are felt by all. 
46 Development Progress Research Report
Ismail on mobile telephone in Ta Kuti village, Nigeria. Photo: © Arne Hoel / World Bank.
Abraham, S. (2014) Availability and accessibility of 
government information in the public domain. The 
Centre for Internet and Society. 
Alkire, S. (2007) ‘The missing dimensions of poverty data’ 
(Guest Editor: Emma Samman), Oxford Development 
Studies 35(4): 347-359.
Alkire, S. (2014) Towards frequent and accurate poverty 
data. Sustainable Development Solutions Network. 
Alkire, S. and Samman, E. (2014) Mobilising the household 
data required to progress towards the SDGs. Oxford: 
Oxford Poverty and Human Development Initiative. 
Asian Coalition for Housing Rights (2014) Newsletter of the 
Asian Coalition for Housing Rights 19, September 2014 
Bellagio Big Data Workshop Participants (2014) ‘Big data 
and positive social change in the developing world: a 
white paper for practitioners and researchers’. Oxford: 
Oxford Internet Institute.
Berinato, S. (2015) ‘There’s no such thing as anonymous 
data’. Harvard Business Review.
Berkowitz, E. and Paradise, R. (2011) ‘Innovation 
in government: Kenya and Georgia’, McKinsey 
Quarterly (www.mckinsey.com/insights/public_sector/
Bhargava, R. et al. (forthcoming). ‘Data literacy in the age 
of big data: imperatives, impediments, and requirements’. 
Data Pop Alliance.
Bird, K. (2007) ‘The intergenerational transmission of 
poverty: an overview.’ London: Overseas Development 
Blas, J. (2014) ‘Uganda joins African wave of GDP rebasing 
and gets 13 per cent boost’, Financial Times, 1 December.
Blumenstock, J. and Eagle, N. (2012) ‘Divided we call: 
disparities in access and use of mobile phones in 
Rwanda’,Information Technology and International 
Development 8(2): 1-16.
Bosch et al. (2012) ‘Taking stock of nine years of 
implementation of Seguro Popular in Mexico: lessons 
for developing countries’. IDB.
ten Bosch, O. and Windmeijer, D. (2014) ‘On the role of 
internet robots for official statistics’. Paper Prepared for 
the Meeting of the Management of Statistical Information 
Systems, Dublin, Ireland and Manila, Philippines, April 
Buettner, T. and Gerland, P. (2008) ‘Preparing population 
estimates for all countries of the world: experiences 
and challenges’, New York: United Nation Population 
Buvinic, M., Furst-Nichols, R. and Koolwal, G. (2014) 
‘Mapping gender data gaps’, Data2X.
Cariboni, D. (2014) ‘Colombia rice growers saved from ruin 
after being told not to plant their crop’, The Guardian, 
30 September. 
Carother, T. and Brechenmacher, S. (2014) Closing space: 
democracy and human rights support under fire. Carnegie 
Endowment for International Peace.
Carr-Hill, R. (2013) ‘Missing millions and measuring 
development progress’, World Development 46: 30-44.
Centro Internacional de Agricultura Tropical and UN 
Global Pulse (2015) Data for Climate Action Challenge 
Chandy, L. (2013) ‘Counting the poor: methods, problems 
and solutions behind the $1.25 a day global poverty 
estimates’. Development Initiatives and Brookings.
Chandy, L. and Kharas, H. (2014) ‘The poverty of poverty 
data’. Brookings.
Chen, S. and Ravallion, M. (2010) ‘The developing world is 
poorer than we thought, but no less successful in the fight 
against poverty’, Quarterly Journal of Economics 125(4): 
Chen, X. and Nordhaus, W. (2010) ‘Using luminosity data 
as a proxy for economic statistics’, Proceedings of the 
National Academy of Sciences of the United States of 
America 108(21): 8589-8594.
Coalition for Evidence-Based Policy (2012) ‘Rigorous 
program evaluations on a budget: how low-cost 
randomized controlled trials are possible in many areas 
of social policy’. Coalition for Evidence-Based Policy
Croke K., Dabalen, A., Demombybes, G., Giugale, M. 
and Hoogeveen, J. (2012) ‘Collecting High Frequency 
Panel Data in Africa Using Mobile Phone Interviews’. 
Washington DC: World Bank. 
Data and Society Research Institute (2014) Event Summary: 
The Social, Cultural, & Ethical Dimensions of ‘Big Data’. 
New York: Data and Society Research Institute.
D’Cruz, C. and Mulayan, G. (2014) ‘Community-led baseline 
surveys as a tool for the resettlement and rehabilitation 
(r&r) component for the Mumbai Urban Transport 
Project 2 (MUTP2)’. Slum Dwellers International.
de Benítez, S. (2007) ‘State of the world’s street children: 
violence’. London: Consortium for Street Children (UK).
Demombynes, G. and Sandefur, J. (2014) ‘Costing a 
data revolution’. Washington DC: Center for Global 
Department of Business, Innovation and Skills (UK) and 
Ordnance Survey (2014) ‘Assessing the value of OS 
Open Data to the economy of Great Britain’ (www.
Development Initiatives (2014) ‘Using resource tracking 
and feedback to enhance accountability and resource 
effectiveness’. Development Initiatives.
The data revolution – Finding the missing millions 47  
Dodgeon, S. (2013) ‘Every mother counts: reporting health 
data by ethnicity’. London: Health Poverty Action.
Drèze, J. and Khera, R. (2013) ‘Rural poverty and the 
public distribution system’, Economic and Political 
Weekly XLVIII (45 & 46): 55-60.
Dykstra, S., Kenny, C. and Sandefur, J. (2014) Global 
absolute poverty fell by almost half on Tuesday. Centre 
for Global Development.
The Economist (2010) ‘The Indian census and caste: caste 
in doubt’, 10 June.
The Economist (2012a) ‘The Food and Agriculture 
Organisation, the Finest Traditions of Australian 
Diplomacy’, 3 October.
The Economist (2012b) ‘Hunger, not a billion after 
all’, 10 October.
The Economist (2014a) ‘Protests in Mexico: 
¡Justicia!’, 6 December.
The Economist (2014b) ‘A census in Myanmar: too much 
information’ 22 March.
The Economist (2015) ‘Drones and privacy: a looming 
threat’, 19 March.
Edge (2012) ‘A conversation with Alex Pentland: 
reinventing society in the wake of big data’. 30 August.
Espey, J. et al. (2015) ‘Data for Development: A Needs 
Assessment for SDG Monitoring and Statistical Capacity 
Development’ (http://unsdsn.org/needsassessment).
Fox, J. (2014) ‘Social accountability: what does the 
evidence really say?’ Washington DC: The Global 
Partnership for Social Accountability.
Frosina, N., Wanda, S. and Mungwanya, R. (2015) ‘Kenya 
Case Study’, unpublished background paper prepared 
by the Africa Centre for Technology Studies.
Fung, A., Russon Gilman, H. and Shkabatur, J. (2010) 
Impact case studies from middle income and developing 
countries: new technologies. London: Transparency and 
Accountability Initiative.
Giugale, M. (2012) ‘Fix Africa’s statistics’, Huffington Post.
Glassman, A. and Ottenhoff, J. (2014) ‘Better data in 
Rwanda’. Center for Global Development.
Glassman, A. (2014) ‘Data revolution from the bottom up’. 
Center for Global Development.
Government of Pakistan (2014) ‘Pakistan Economic Survey 
2013-14’. Chapter 15, Poverty and social safety nets.
Graham, M. (2014) ‘Inequitable distributions in internet 
geographies: the global South is gaining access but lags 
in local content.’, Innovations 9(3-4); 17-34.
Granoff, I. et al. (2014) ‘Targeting zero zero: achieving 
zero extreme poverty on the path to zero net emissions.’ 
London: Overseas Development Institute.
Green, D. (2014) ‘What are the limits of transparency 
and technology? From three gurus of the openness 
movement (Eigen, Rajani, McGee)’ From Poverty to 
Power [blog], 7 April (http://oxfamblogs.org/fp2p/
Guerrini, F. (2014) Using big data to understandmigrations. 
Hagen, E. (2013) ‘The funding conundrum: why funding 
for ICT development needs to change’. GroundTruth 
Initiative [blog] 9 October (http://groundtruth.
HAI (Help Age International) (2014) Global Age Watch Index 
2014: Insight Report. London: Help Age International.
Head, B. (2008) ‘Three Lenses of Evidence-Based Policy Making’, 
Australian Journal of Public Administration 67(1): 1-11.
Health Metrics Network (n.d.) ‘Technical note on the costs 
of alternative approaches to collecting population and 
vital event dates’. World Health Organisation.
Henderson, J.V., Storygard, A. and D.N. Weil (2012) 
‘Measuring economic growth from outer space’, 
American Economic Review 102(2): 994-1028.
Henry, J. (2012) ‘The price of offshore revisited: new 
estimates for “missing” global private wealth, income, 
inequality, and lost taxes’. Tax Justice Network.
IBP (International Budget Partnership), DFI (Development 
Finance International), Oxfam America (2014) From 
Numbers to Nurses: Why Budget Transparency, 
Expenditure Monitoring and Accountability Are Vital to 
the Post-2015 Framework.
IEAGDRSD (Independent Expert Advisory Group on a 
Data Revolution for Sustainable Development) (2014) 
A world that counts: mobilising the data revolution for 
sustainable development. New York: United Nations.
IMF (International Monetary Fund) (2014) Kenya: 2014 
Article IV Consultation – staff report; press release; 
and statement by the executive director for Kenya. 
Washington DC: IMF.
Instituto Nacional Des Estatisticas (2009) Final Report of the 
Multiple Indicator Cluster Survey, 2008. Mozambique.
Invested Development (2014) Enabling internet 
connectivity in Africa. Invested Development.
Järv, O. et al. (2012) Mobile phones in a traffic flow: a 
geographical perspective to evening rush hour traffic 
analysis using call detail records. PLOS One.
Jackson, J. (2014) Census data can empower all 
communities. Mizzima.
Jooste, I. (2013) ‘Audience reception of news infographics: 
cultural and generational considerations’. Paper for 
Inter-Disciplinary.Net 7th Global Conference 2013.
Khan, A. et al. (2015) Progress under scrutiny: Pakistan’s 
route to poverty reduction. London: Overseas 
Development Institute. 
King, G. et al. (2009). ‘Public policy for the poor? A 
randomised assessment of the Mexican universal health 
insurance programme’, Lancet 373(9673): 1447-1454.
King, G. (2014) ‘Why “Big data” is a big deal’, Harvard 
Klasen, S. (2004), ‘Gender related indicators of well-being’, 
Discussion Paper 102, Goerg-August Universitat, Ibero-
Amerika Institut fur Wirtschaftsforschung, Goettingen.
48 Development Progress Research Report
Klein, R. and Maybin, J. (2012) Thinking about rationing. 
London: The King’s Fund.
Krätke, F. and Byiers, B. (2014) The political economy of 
official statistics implications for the data revolution in 
sub-Saharan Africa. Maastricht: ECDPM.
Kresge, K. (2007) ‘HIV prevalence estimates: fact or 
fiction’, IAVI Report 11(4).
Krishnamurthy, P., Pathania, V. and Tandon, S. (2014) 
‘Public distribution system reforms and consumption 
in Chhattisgarh: a comparative empirical analysis’, 
Economic and Political Weekly 49(8): 74-81.
The Lancet Correspondence (2015) ‘GBD 2013 and 
HIV incidence in high income countries’, Lancet 
La Porta, R. and Shleifer, A. (2014) ‘Informality and 
Development’, Journal of Economic Perspectives 28(3): 
Lenhardt, A. (forthcoming 2015) A measurable difference: 
Lessons from measuring development progress in 26 country 
case studies. London: Overseas Development Institute.
Letouzé, E. and Jutting, J. (2014) Official statistics, big data 
and human development: towards a new conceptual and 
operational approach. Data Pop Alliance and PARIS21.
Lopez, A. et al. (2007) ‘Keeping count: births, deaths, and causes 
of death’ (Comment), The Lancet online 29 October 2007.
Lucci, P. (2014) An urban dimension in a new set of 
development goals. London: Overseas Development Institute.
Mahtani, S. and Myo, M. (2014) ‘U.N. Group Criticizes 
Myanmar Over Census Government Doesn’t Collect 
Data on ‘Rohingya’ Muslims, Underscoring Ethnic 
Tensions’. Wall Street Journal.
Marcoux, A. (1998) ‘The feminisation of poverty: claims, 
facts and data needs‘, Population and Development 
Review 24(1): 131-139;  
Matheus, R. and Manuella, M. (2014) Case study: open 
government data in Rio de Janeiro City. Open Research 
McGee, R. and Gaventa, J. (2010) Synthesis Report 
Review of Impact and Effectiveness of Transparency 
and Accountability Initiatives. Sussex: Institute of 
Development Studies.
McKinsey Global Institute (2013) Open data: unlocking 
innovation and performance with liquid information. 
McKinsey Global Institute.
Melamed, C. (2014) ‘Data revolution: development’s next 
frontier’, World Politics Review 28 January.
Minkler, M. ‘Enhancing data quality, relevance and use 
through community-based participatory research,’ in 
Cytron, N, et al. (2014) What counts: harnessing data for 
America’s future. With permission of the publishers, Federal 
Research Bank of San Francisco and the Urban Institute.
Miriri, D. and Blair, E. (2014) ‘IMF says Kenya’s new 
economic reforms are working. Reuters.
Natih, P. (2014) ‘Multidimensional poverty in Indonesia: 
sparking agency based evaluation’ (Master of 
Philosophy Thesis). Oxford University, Oxford.
Monga, V. (2014) ‘The Big mystery: what’s big data really 
worth? Wall Street Journal.
Mukherjee, S. (2013) ‘Conceptualisation and classification 
of caste and tribe by the Census of India’, Journal of the 
Anthropological Survey of India 62(2): 805-820.
Murray, C.J.L. et al. (2014) ‘Global, regional, and national 
incidence and mortality for HIV, tuberculosis, and 
malaria during 1990–2013: a systematic analysis for 
the Global Burden of Disease Study 2013’, The Lancet 
384(9947): 1005-70.
Naseem, S.M. (2012). A review of studies on poverty in 
Pakistan. Islamabad: Pakistan Institute of Development 
Economics (www.pide.org.pk/pdf/books/series-6.pdf).
NZDFF (New Zealand Data Futures Forum) (2014) 
Harnessing the economic and social power of data. NZDFF.
North, D., Gal, I. and Zewotir, T. (2014) ‘Building capacity 
for developing statistical literacy in a developing 
country: lessons learned from an intervention’, Statistics 
Education Research Journal 13(2): 15-27.
Olivia, S., Gibson, J., Brabyn, L. and Stichbury, G. (2014) 
‘Monitoring economic activity in Indonesia using night 
light detected from Space’. Paper Prepared for the 12th 
Indonesian Regional Science Association Conference, 
Makassar Indonesia 2-3 June 2014.
Open Society Foundations (2014) Ethnic origin and 
disability data collection in Europe: measuring 
inequality – combating discrimination. Brussels: OSF.
Over, M. (2014) Using ‘value of information’ concepts to 
prioritize the data revolution. Center for Global Development.
PARIS21 (2008-2015) ‘Informing a data revolution’. 
Discussion Paper Series. PARIS21 (www.paris21.org/
PARIS21 (2015) ‘A road map for a country-led data 
revolution’. PARIS21.
Patil, D. (2015) ‘A memo to the American People from U.S. 
Chief Data Scientist Dr. DJ Patil’, The White House Blog.
Press Information Bureau, Government of India 
(2013) ‘The National Food Security Ordinance: 
Highlights’, 5 July (http://pib.nic.in/newsite/erelease.
Puri, R. (2012) ‘Reforming the public distribution system: 
lessons from Chhattisgarh’, Economic and Political 
Weekly 47(5): 74-81.
PWC (2014) Deciding with data: how data-driven innovation 
is fuelling Australia’s economic growth. Australia: PWC.
Ramadurai, C. (2014) ‘Drones to aid conservation efforts 
in India’, Green Futures Magazine.
Ranson, V. (2015) Fighting crime with better data. UK 
Government, Cabinet Office.
Rawlings, L. (2013) Who’s afraid of administrative data? 
Why administrative data can be faster, cheaper and 
sometimes better. Washington DC: World Bank.
The data revolution – Finding the missing millions 49  
Recorder Report (2015) Criticality of credibility. Business 
Recorder: Pakistan (www.brecorder.com/editorial
s/0:/1151827:criticality-of-credibility/); Abbasi, Z. 
and W. Lillah (2015). Inflation, poverty numbers: 
‘Erratic CPI basket may cast serious implications’. 
Business Recorder: Pakistan (www.brecorder.com/
Reyes, C. (2014) ‘Impact monitoring using 
CBMS, PPT’ (www.3ieimpact.org/media/filer_
Robertson, A. (2015) Can online classrooms help the 
developing world catch up? The Verge.
Rodriguez-Takeuchi, L. (2014) The ‘X-file’ and the need for 
civil registration and vital statistics systems post-2015. 
London: Overseas Development Institute.
Rojas, G. (2015) ‘Harnessing technology to streamline data 
collection’ The DHS Program, USAID.
Ronsmans, C. and Graham, W. (2006) ‘Maternal mortality: 
who, when, where and why‘, Lancet 368 (9542): 1189–1200.
Russell, N. (2014) ‘UN awards big data project for 
confronting crazy weather in rice production’ CIAT blog 
Samman, E. and Roche, J. (2014) ‘A data revolution to match 
the ambition of “leaving no one behind”.’ Post2015.org.
Samman, E. and Rodriguez-Takeuchi, L. (2013) Old age, 
disability and mental health: data issues for a post-2015 
framework. London: Overseas Development Institute.
Sandefur, J. and Glassman, A. (2014) The political 
economy of bad data: evidence from African survey and 
administrative statistics. Washington DC: Center for 
Global Development.
Secretaría de Salud (2011) Búsqueda Intencionada y 
Reclasificación de Muertes Maternas en México. Mexico 
City: Secretaría de Salud.
Shaxson, L. (2005) ‘Is your evidence robust enough? 
Questions for policy makers and practitioners’, 
Evidence and Policy 1(1): 101-111.
Shaxson, L. (2014) Investing in evidence: lessons from 
the UK Department for Environment, Food and Rural 
Affairs. Knowledge Sector Initiative.
Snaing, Y. (2014) ‘Burma’s ethnic minorities decry census, 
jostle for advantage’. Yangon: The Irrawaddy.
SCUK (Statistics Commission UK) (2008) Report 38 
Official Statistics: Value and Trust. London: UK 
Statistics Authority.
Statistics Netherlands (2012) ‘The Dutch Virtual Census’. 
Video: http://youtu.be/SLpDkcyenf0. 
Statistics Netherlands (2014) ‘Statistics Netherlands: Dutch 
census saves time and money’. Press release, 19 November.
Stott, A. (2014) Open data for economic growth. 
Washington DC: World Bank.
Sullivan, K. (2015) How big data from space helps life on 
Earth. World Economic Forum.
Tode, F. (2014) ‘UN discusses humanitarian uses of 
drones’, Robohub.
UIS (UNESCO Institute for Statistics) and UNICEF (2015) 
Fixing the broken promise of Education for All: findings 
from the Global Initiative on Out-of-School Children. 
Montreal: UNESCO Institute for Statistics.
UN (1982) Model Life Tables for Developing Countries. 
New York: United Nations. 
UN (1983) Manual X: Indirect Techniques for 
Demographic Estimation. New York: United Nations.
UNDESA (United Nations, Department of Economic 
and Social Affairs) Population Division (2013) World 
population prospects: the 2012 revision, key findings 
and advance tables. New York: UNDESA.
Understanding Children’s Work Programme (2011) 
Understanding Children’s Work in Bangladesh. Rome.
UNESCO (2010) Education for All monitoring report: 
reaching the marginalised. Oxford: UNESCO.
UNESCO (2014) ‘Technical note prepared for the Education 
for All Global Monitoring Report: around 250 million 
children of primary school-age are not reaching a 
minimum learning standard’. New York: UNESCO.
UN Global Pulse (2014) Mining Indonesian Tweets to 
understand food price crises. Jakarta: UN Global Pulse.
UN Statistics Division (2013) ‘Population and Housing 
Censuses’ (http://unstats.un.org/unsd/demographic/
Varian, H. (2014 revised) ‘Big data: new tricks for 
econometrics’, Journal of Economic Perspectives 28(2): 3-28.
Wanjiku, R. (2013) ‘Google, Microsoft pilot TV white space 
projects in Kenya and South Africa’. Nairobi: PC World.
Watkins, K. and Alemayehu, W. (2012) Financing for a 
fairer, more prosperous Kenya: a review of the public 
spending challenges and options for selected arid and 
semi-arid counties. Brookings.
The White House (2014) The 90 Day Review for Big Data.
WHO, UNICEF, UNFPA, World Bank and United Nations 
Population Division (2014) Trends in maternal mortality: 
1990 to 2013, estimates by WHO, UNICEF, UNFPA, 
The World Bank and the United Nations Population 
Division. Geneva: World Health Organization.
Wild, L. et al. (2015) CARE’s experience with community 
score cards: what works and why? London: Overseas 
Development Institute.
Willetts, D. (2013) Eight great technologies. Policy Exchange.
Wilmoth, J. et al. (2012) ‘A new method for deriving 
global estimates of maternal mortality’, Stat Politics 
Policy 3(2): 2151-7509.
World Bank (2012) Information and communication 
for development 2012: maximising mobile. 
Washington DC: World Bank.
World Bank (2013) The World Bank policy on access to 
information. Washington DC: World Bank. 
World Bank Group (2014) Voice Agency and Empowering 
women and girls for shared prosperity. Washington 
DC: World Bank Group
50 Development Progress Research Report
Documents you may be interested
Documents you may be interested