Trafikverket har under senare år utvecklat ett verktyg för samhällsekonomisk lönsamhetsbedömning av investeringar i gång- och cykelinfrastrukturen – ”GC-kalk” (Trafikverket, 2012). Dessa bedömningar baseras bl.a. på antalet personer som går eller cyklar i en viss OD-relation i det jämförelsealternativ (JA) som används. Denna rapport använder den svenska resvaneundersökningen (RES) i kombination med SCBs registerdata över den svenska befolkningen och alla arbetsställen för att på ett enkelt sätt producera en prediktion av antalet fotgängare resp. cyklister i ett litet geografiskt område. Grundproblemet är alltså att registerdatamaterialet inte innehåller information om vilket färdmedel individerna väljer för att ta sig till jobbet. Därför används RES för att ”fylla i” denna information. Detta görs med hjälp av en statistisk modell som estimeras på RES och sedan tillämpas på registerdatamaterialet. En utgångspunkt för denna rapport är att investeringar i gång- och cykelinfrastruktur är så pass små att mer genomarbetade och resurskrävande modellkörningar som brukar användas för större investeringar i järnvägs- och vägnäten inte är aktuella för investe-ringar i detta sammanhang. Då färdmedlen gång och cykel används i relativt hög utsträckning för korta resor är troligen en relativt fin geografisk indelning också att föredra när man utreder åtgärder i gång- och cykelinfrastrukturen. I denna rapport används därför en geografisk indelning som baseras på ett rutnät med 250 kvadratmeter stora rutor i tätort och en kvadratkilometer stora rutor utanför tätort. En viktig restriktion för denna rapport är att det i dagsläget inte finns nationellt heltäckande information om nätverken för gång- och cykelvägar, därför har sådan information inte kunnat användas. En av huvudfrågorna för denna rapport är hur bra prediktioner för färdmedelsval man kan få från en modell som estimerats på en nationell resvaneundersökning. Därför utvärderas ett antal olika modeller med en form av korsvalidering som baseras på s.k. ”bootstrap” metod. Denna metod innebär också att den del av prediktionsfelet i registerdata vilket beror på stickprovsvariation i resvaneundersökningen enkelt kan simuleras för varje individ i registerdatamaterialet. Resultaten tyder på att prediktionskvaliteten från den modell som bedöms ge bäst prediktioner sett över hela landet varierar mellan olika län. Den valda modellen används också för att illustrera hur prediktioner på låg geografisk nivå kan genereras. Dessutom diskuteras hur osäkerheten i de individuella prediktionerna kan användas för att väga in annan information som kan finnas när antalet personer som går eller cyklar till jobbet ska bestämmas i en specifik utredningssituation och i en specifik OD-relation.