Jernbanedirektoratets prognoseverktøy

Rapport 2021/34

Eivind Bjørkås og Erlend Dysvik

Jernbanedirektoratets prognoseverktøy

Kategori	Rapporter
Underkategori(er)	EvalueringSamferdsel
År	2021
Rapportnummer	34
Forfatter(e)	Eivind Bjørkås Erlend Dysvik
Last ned	file_download (1.2 MB)
Les i nettleser	find_in_page

Rapport 2021/34	 | For Jernbanedirektoratet	 	 	
 	
 	
 	
Jernbanedirektoratets prognoseverktøy	 	
Ekstern vurdering av metode for etterspørselsframskrivninger av 
persontransport på jernbane	 	
Eivind Bjørkås og Erlend Dysvik

Jernbanedirektoratets prognosev	erktøy	 	
 
Vista Analyse	 | 2021/34	 	2 	
 
Dokumentdetaljer	 	
Tittel	 	Jernbanedirektoratets prognoseverktøy	 	
Rapportnummer 20	21	/34	 	2021/34	 	
Forfattere	 	Eivind Bjørkås og Erlend Dysvik	 	
ISBN	 	978	-82	-8126	-537	-0 	
Prosjektleder	 	Erlend Dysvik	 	
Kvalitetssikrer	 	Henning Wahlquist	 	
Oppdragsgiver	 	Jernbanedirektoratet	 	
Dato for ferdigstilling	 	30.06.2021	 	
Kilde forsidefoto	 	Jakob Rosen, unsplash.com	 	
Tilgjengelighet	 	Offentlig	 	
Nøkkelord	 	Jernbane, samferdsel, transportmodell, scenarioanalyse, evaluering	 	
 
 
 
 
 
 
Om Vista Analyse	 	
Vista Analyse AS er et samfunnsfaglig analyseselskap med hovedvekt på økonomisk utredning, evaluering, rådgivning 
og forskning. Vi utfører oppdrag med høy faglig kvalitet, uavhengighet og integritet. Våre sentrale temaområder er 
klima, en	ergi, samferdsel, næringsutvikling, byutvikling og velferd. Vista Analyse er vinner av Evalueringsprisen 2018.	 	
Våre medarbeidere har meget høy akademisk kompetanse og bred erfaring innenfor konsulentvirksomhet. Ved be-
hov benytter vi et velutviklet nettverk	 med selskaper og ressurspersoner nasjonalt og internasjonalt. Selskapet er i 	
sin helhet eiet av medarbeiderne.

Jernbanedirektoratets prognoseverktøy	 	
 
Vista Analyse	 | 2021/34	 	3 	
 
Forord 	 	
Vista Analyse legger med dette fram våre uavhengige vurderinger av Jernbanedirektoratets 	modell	 for estimering av 	
etterspørselsendringe	r for persontransport mellom stasjonspar i Norge	. Arbeidet har foregått i perioden april 	– juni 	
2021.	 Vurderingene ble presentert for Jernbanedirektoratet	 25	. juni	. Etter mottatte kommentarer ble rapporten 	
sluttført 	30	. juni	. 	
I Vista Analyse har Erlend D	ysvik vært prosjektleder, Eivind Bjørkås har vært prosjektmedarbeider og Henning 	
Wahlquist har vært oppdragsleder og kvalitetssikrer. 	Torstein Fjørtoft har vært Jernbanedirektoratets kontaktperson. 	
Vi takker for godt samarbeid med Jernbanedirektoratet gjen	nom prosjektet. 	 	
30. juni 2021	 	
Erlend Dysvik	 	
Seniorkonsulent	 	
Vista Analyse AS

Jernbanedirektoratets prognoseverktøy	 	
 
Vista Analyse	 | 2021/34	 	4 	
 
Innhold	 	
Sammendrag og konklusjoner	 ................................	................................	................................	................................	......	 6 	
1 	Innledning	 ................................	................................	................................	................................	.............................	 8 	
2 	Oppbygging av modellen	 ................................	................................	................................	................................	......	 9 	
2.1	 	Oppbygging av modellen	 	9 	
2.2	 	Modellering av 	etterspørselsvekst i andre modeller	 	13	 	
2.3	 	Vurdering av modellens todeling	 	15	 	
3 	Vurdering av inndata og bruk av disse	 ................................	................................	................................	................	 19	 	
3.1	 	Befolkningsdata	 	19	 	
3.2	 	Økonomiske data	 	26	 	
3.3	 	Tilbudsdata, tidsverdi og generaliserte reisekos	tnader (GK)	 	27	 	
3.4	 	Arbeidsplassdata	 	32	 	
3.5	 	Flyplass og turistnæring	 	35	 	
3.6	 	Turmatriser	 	37	 	
4 	Parameterverdier	 ................................	................................	................................	................................	................	 39	 	
4.1	 	Vekstmodellen: Vurdering av parameterverdiene og bruken av dem	 	39	 	
4.2	 	Fordelingsmodellen: Vurdering 	av parameterverdiene og bruken av dem	 	43	 	
5 	Bruk av modellen	 ................................	................................	................................	................................	................	 45	 	
5.1	 	Vurdering av modellens anvendbarhet	 	45	 	
5.2	 	Kompleksitet og tolkning av resultater	 	46	 	
6 	Forbedringsmuligheter	 ................................	................................	................................	................................	.......	 47	 	
6.1	 	Med eller uten fordelingsmodell?	 	47	 	
6.2	 	Detaljerte data kan brukes til lokale scenarioanalyser også med dagens todeling 	– Eksempel med 	
endringer i tilbringertransport	 	47	 	
6.3 	Effekt av demografiske endringer	 	49	 	
7 	Referanser	 ................................	................................	................................	................................	...........................	 50	 	 
Figurer	 	
Figur 2.1:	 	Dataflyt i prognosemodellen	 ................................	................................	................................	..........	 10	 	
Figur 2.2:	 	Turgenerering og fordeling på reiseformål og 	-middel	 ................................	................................	... 14	 	
Figur 2.3:	 	Modellområde i arealdataverktøyet (ADV)	 ................................	................................	.....................	 15	 	
 	15	 	
Figur 2.4:	 	Fordeling av vekst i arealdataverktøyet (ADV)	 ................................	................................	................	 15	 	
Figur 2.5: 	 	Illustrasjon av modellforskjeller	 ................................	................................	................................	......	 16	 	
Figur 2.6:	 	Illustrasjon av omfordelingseffekter	 ................................	................................	...............................	 17	 	
Figur 3.1:	 	Sammenligning vekstfaktorer regioner, 2020	-2050	 ................................	................................	.......	 21	 	
Figur 3.2:	 	Sammenligning vekstfaktorer fjerntog, 2020	-2050	 ................................	................................	........	 22	 	
Figur 3.3:	 	Prinsipp for utregning av vekst mellom OD	-par	 ................................	................................	..............	 25	 	
Figur 3.4:	 	Baner for økonomisk vekst, BNP per innbygger	 ................................	................................	..............	 26	 	
Figur 6.1: 	 	Daglige reiser per alderskategori	 ................................	................................	................................	....	 49

Jernbanedirektoratets p	rognoseverktøy	 	
 
Vista Analyse	 | 2021/34	 	5 	
 
Tabeller	 	
Tabell 2.1:	 	Eksempel på samspillet mellom 	scenariovalg og parameterverdier	 ................................	...............	 12	 	
Tabell 3.1:	 	Vekter som brukes for indeksberegning av befolkningsdata	 ................................	..........................	 20	 	
Tabell 3.2:	 	Benyttet referansetrafikk	 ................................	................................	................................	................	 22	 	
Tabell 3.3: 	 	Turattraksjonsindeks	................................	................................	................................	.......................	 23	 	
Tabell 3.4:	 	Normaliserte fordelingsfaktorer	 ................................	................................	................................	.....	 23	 	
Tabell 3.5:	 	Resultat vekstfaktor per relasjon	 ................................	................................	................................	....	 23	 	
Tabell 3.6:	 	Sonebefolkning i Oslo	 ................................	................................	................................	.....................	 24	 	
Tabell 3.7: 	 	Eksempel med geometrisk 	gjennomsnitt	................................	................................	........................	 25	 	
Tabell 3.8:	 	LoS	-data: Reisetid med tog, minutter	 ................................	................................	.............................	 28	 	
Tabell 3.9:	 	Absolutte fordelingsfaktorer, uten konkurranseflateindeks 	(α_K	h,s=0)	................................	...........	 29	 	
Tabell 3.10:	 	Absolutte fordelingsfaktorer, med konkurranseflateindeks 	(α_K	h,s=1)	 ................................	...........	 29	 	
Tabell 3.11:	 	Absol	utte fordelingsfaktorer, med konkurranseflateindeks 	(α_K	h,s=1) og økonomisk vekst	 ..........	 30	 	
Tabell 3.12:	 	Konkurranseflateindeks (KF), uten ø	konomisk vekst	 ................................	................................	......	 30	 	
Tabell 3.13:	 	Konkurranseflateindeks (KF), med økonomisk vekst	 ................................	................................	......	 31	 	
Tabell 3.14:	 	Vekter som brukes for indeksberegningen av arbeidsplasser	 ................................	........................	 33	 	
Tabell 3.15: 	 	Attraheringsindeks kun arbeidsplassendring	 ................................	................................	..................	 33	 	
Tabell 3.16: 	 	Turattraksjonsindeks	 befolkning og arbeidsplasser	 ................................	................................	........	 34	 	
Tabell 3.17:	 	Resultat vekstfaktor per OD	-par	 ................................	................................	................................	.....	 34	 	
Tabell 3.18: 	 	Stasjoner som er definert som flyplassmarked eller turistmarked	 ................................	.................	 36	 	
Tabell 6.1:	 	Konkurranseflateindeks (KF)	 ................................	................................	................................	...........	 48	 	
Tabell 6.2:	 	Konkurranseflateindeks (KF), med r	edusert tilbringetid rundt Oslo S	 ................................	............	 49

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	6 	
 
Sammendrag og konklusjoner 	 	
I denne	 rapporten gjør vi 	vurderinger	 av 	Jernbanedirektoratets prognose	modell	 for estimering av 	etter-	
spørselsendringer for persontransport mellom stasjonspar i Norge. Modellen ble opprinnelig	 utarbeidet 	
av 	Transport	økonomisk Institutt, og beregner etterspørselsendring som følge av endringer i samfunnet 	
mot utvalgte fremtidige år på mellomlang og lan	g sikt.	 Modellen har en todelt oppbygging, hvor om-	
fanget av veksten i 	person	togtrafikken predikeres i én modell (vekstmodellen), mens fordelingen av 	
veksten skjer i en annen (fordelingsmodellen).	 Vi vurderer modellens oppbygging og dens todeling med 	
en vek	stmodell og en 	fordelingsmodell. Videre gjør vi en vurdering av kvaliteten på inndata i modellen 	
og bruken av disse. 	Deretter ser vi nærmere på parameter	verdier og gjør en vurdering av disse	, før vi 	
vurderer bruksområder	 og brukere. Til slutt gir vi vår vu	rdering av ulike forbedringsmuligheter 	for 	
prognosemodellen. 	 	
Selv om vi ser 	både	 fordeler og ulemper 	i å ha en fordelingsmodell 	vurderer vi at	 ulempene er større 	
enn fordelene. 	 Fordelingsmodellen	, slik den	ne	 er spesifisert	, gjennom å multiplisere vekstfa	ktorer både 	
i hver sone og mellom hver sone, gjør at små forskjeller mellom sonene forsterkes og kan blir ganske 
store. Når dette normaliseres og fordeles skaper det store fordelings	-, og det vi definerer som omfor-	
delingseffekter. Disse resultatene er mind	re analytisk tolkbare, og vi mener derfor at modellen bør spe-	
sifiseres på en måte som skaper mindre korrelasjon mellom vekst i ulike reiserelasjoner. Vi argumente-
rer med at en mer «botom	-up» spesifisering ville gitt mer tolkbare resultater. 	 	
Vi vurderer da	takv	aliteten på inndataene som stort sett god, men 	bearbeidingen av data før bruk er noe 	
ugjennomsiktig	, spesielt for befolkning	sprognoser og 	arbeidsplassprognoser	. Vi 	mener	 også at måten 	
man vekter befolknings	- og arbeidsplassdata 	fører til for store influensområder og for lav 	effekt	 av det 	
som skjer i nærheten av stasjonene. 	Vi påpeker også at det er behov for ytterligere vurdering av hva 	
som egentlig 	ønskes modellert gjennom spesifiseringen av 	spesielt turistmarked	. 	
Våre 	vurdering	er av 	bruk av 	inndata er	 i tråd med 	vurderingene for oppbygging av modellen, hvor 	vi 	
påpeker at	 den multiplikative 	spesifiseringen i fordelingsmodellen skaper for mye omfordeling. 	Bruken 	
av LoS	-dataene for å beskrive konkurranseforhold 	gir i 	modellen	 en hø	y detaljeringsgrad	, mye omfor-	
deling	 og 	gjør 	det vanskelig å tolke resultatene.	 Videre skaper bruken av turistmarked størst omfordeling 	
mellom turistdestinasjoner enn fra andre destinasjoner til turistdestinasjoner	. 	
For parameterverdier 	vurderer vi at parameterverdiene for økonomisk vekst bør settes basert på norske 	
studier. Metoden for parametersetting av konkurranseflatene fremstår veldokumentert. Parameterne 
for hjemmekontor kunne tatt hensyn til at økt hjemmekonto	r kan utløse flere fritidsreiser. Scenarioana-	
lyser med tilbringertransport bør innføres uten globale effekter og scenarioene med endring i flyplass	- 	
og turstimarkeder bør ha parametere som hensyntar den potensielle betydningen innenfor det aktuelle 
segment	et, og ikke innføres med globale endringe	r. Scenarioet for endret generell konkurranseflate 	
mot fly 	bør 	ikke ha et globalt influensområde	. Vi argumenterer også for	 at kalibreringsparameterne 	
burde vært satt lavere enn 1, for å dempe omfordelingen som oppst	år som følge av den multiplikative 	
spesifiseringen av veksten mellom OD	-par	. 	
Modellen 	egner seg 	til å gi grove anslag 	på etterspørsel etter togreiser som drives av underliggende 	
etterspørselsdrivere som befolkningsvekst og økonomisk vekst.	 Den er også egnet til å 	analysere 	effek-	
ten av scenarioer som gjør endringer i trender for underliggende 	etterspørselsdrivere som 	hjemmekon-	
tor, 	konkurranseflater, 	tilbringertransport	, flymarked	, turistnæring	 og miljøbevissthet.	 Modellen

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	7 	
 
funger	er godt i sam	spill med Trenklin	 hvor både inndata og 	resultater gis på lik	t format, og 	referanseår 	
og prognose	år kan velges fritt 	mellom 2020 og 2050. 	Dette samspillet kan utnyttes om man ønsker å 	
kombinere scenarioanalyser med endring i togtilbud, eller 	beregning av trengselskost	nader. 	Modellen 	
egner seg svært godt til å gjøre analyser av kapasitetsbehov, gitt dagens infrastruktur og reisemønster. 
Slikt	 sett er den også velegnet til å si noe om	 relevans og	 levedyktigheten i 	mulige	 investeringer	 på 	
eksisterende infrastruktur.	 Vi vurderer det som et godt supplement til 	de offentlige modellene som 	
bruke i NTP	-arbeidet.	 	
Vi foreslår tre konkrete forbedringsmu	ligheter for modellen. Den første er å bygge modellen mer «bo-	
tom	-up» for å unngå 	korrelasjon mellom 	ulike OD	-par. 	Vi argumenterer med at de 	inndataene man 	
mangler på 	lavt nok nivå 	til å bygge en slik modell 	er fullt mulig å 	estimere.	 En slik modell 	ville h	att bedre 	
forutsetninger for å regne på scenarioer s	om ikke er globale.	 Dersom 	fordelingsmodellen 	beholdes 	bør 	
den 	spesifiseres på nytt med en mer gjennomsnittlig 	sammensetning av vekstfaktorer, fremfor en 	mul-	
tiplikativ	 spesifisering	. Dette vil 	redusere omfordelingseffektene i modellen.	 	
De andre forbedringsmulighetene vi skisserer er å benytte en del av 	de 	detaljerte dataene so	m ligger i 	
LoS	-data til lokale scenarioanalyser	, samt å 	ta inn effekt av demografiske endringer som et scenario.

Jernbanedirekto	ratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	8 	
 	
1	 	Innledn	ing	 	
Denne rapporten 	dokumenterer en vurdering av 	prognoseverktøy	/modell	 for togreiser	 som eies av Jern-	
banedirektoratet.	 	
Verktøyet	 er etablert av TØI på oppdrag av Jernbanedirektoratet. 	Modellen	 predikerer vekst i togreiser 	
på mellomlang og lang sikt	 som følge av endringer i samfunnet.	 Modellen forklarer vekst i etterspørselen 	
etter togreiser som følge av befolkningsvekst, økonomisk vekst, endringer i utbredelsen av hjemmekon-
tor, endret konkurranseflate mot andre transportmidler	 (bil, buss, fly)	 som i	kke skyldes endringer i tog-	
tilbudet, utvikling av tilbringertransport til tog, utvikling av flymarkedet, utviklingen av tog som trans-
portmiddel til turistnæring, samt økt miljøbevissthet. 	 	
Før modellen ble utviklet ble dette gjort med ressurskrevende bereg	ninger i RTM og NTM eller ved enkle 	
betraktninger av befolkningsvekst rundt togstasjoner. 	RTM og NTM er ikke hovedsakelig 	myntet på sce-	
narioanalyser basert på endinger i underliggende etterspørselsdrivere, noe som 	forklarer behovet for 	
et eget verktøy for 	dette.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	9 	
 	
2	 	Oppbygging av modellen	 	
I dette kapittelet gjennomgår vi oppbyggingen av modelle	n og hvordan den er strukturert	 og sammen-	
ligner med hvordan andre offentlige modeller er spesifisert.	 Deretter	 gjør	 vi en vurdering 	av oppbyg-	
gingen ved å 	belyse	 implikas	jone	ne 	det har å sette modellen opp på denne måten.	 Vi gjør dette gjennom 	
en 	«fordel og ulemper»	-diskusjon	 av modellens struktur.	 	
Våre vurderinger 	er at det kan være både fordeler og ulemper med å ha en 	todeling hvor man fordeler 	
en overordnet vekst. Ford	elene er at man minimerer risiko for dobbelttelling av vekst og 	er mindre 	
sårbar for feil i statistikken på lavere nivå, og konsekvenser dette kan føre med seg. Det fører også til 
konsistens mellom brukergrupper.	 Ulempene er at vekstfaktorer blir veldig o	verordnet, og man mister 	
flere av egenskapene til markedet som modelleres. Modellen kan i prinsippet kun se på «globale» virk-
ninger og i mindre grad ta inn over seg sonespesifikke	. 	
Prognosemodellen skiller seg fra offentlige modeller ved at den er partiell	 og ser utelukkende på det 	
eksisterende togmarkedet. 	Slik sett modellerer den ikke reis	evalg, men drivere for vekst innen et alle-	
rede bestemt reisemønster.	 Dette taler for 	at det 	bør være lav eller ingen korrelasjon mellom endringer 	
i to ulike 	OD	-par.	 Slik modellen er spesifisert skapes en høy korrelasjon mellom ulike OD	-par	 	
Fordelingsmodellen slik den er spesifisert	 gjennom å multiplisere vekstfaktorer både i hver sone og mel-	
lom hver sone, gjør at 	små forskjeller mellom sonene forsterkes og kan	 blir ganske store. Når dette 	
normaliseres og fordeles skaper det store fordelings	-, og det vi definerer som omfordelingseffekter. 	
Disse resultatene er mindre analytisk tolkbare, og vi mener derfor at modellen bør spesifiseres på en 
måte som skaper mindre 	korrelasjon mellom vekst i ulike 	reiserelasjoner. Vi argumenterer med at en 	
mer «botom	-up» spesifisering 	ville gitt mer tolkbare resultater.	 	
2.1	 	Oppbygging av modellen	 	
Modellen har en todelt oppbygging, hvor omfanget av veksten i 	person	togtrafikken predikeres	 i én mo-	
dell (vekstmodellen)	, mens fordelingen av veksten skjer i en annen (fordelingsmodellen). Vekstmodellen 	
beregner generelle vekstfaktorer for reisehensiktene arbeids	-, fritids	- og tjenestereiser. Dersom man 	
også kjører fordelingsmodellen 	gjøres	 en eg	en beregning som fordeler veksten på togstasjonsrelasjoner 	
basert på 	en 	indeks for turattraksjon, 	en 	indeks for endrede konkurranseflater og referansetrafikken. 	 	
Modellen åpner for å benytte seg av en egendefinert analyseperiode med referanse	- og prognoseå	r 	
mellom 2019 og 2050. 	Det eneste kravet er at prognoseåret er etter referanseåret. Dersom man bruker 	
et 	framtidig år som 	referanseår	 vil modellen likevel være fundamentert på 	tidspunktet 	for framskriv-	
ningene.	1 Modellen kan også kjøres for ulike geografis	ke markedsområder; nasjonalt gjennomsnitt, Oslo 	
og Viken, fjerntoget og egendefinert. 	 	
Modellens scenarioanalyser baserer seg på to sentrale framskrivninger; befolkningsframskrivinger og 
prognoser for framtidig økonomisk vekst, begge fra Statistisk sentral	byrå (SSB). For befolkningsveksten 	
er de ulike prognosebanene implementert	 med	 brukervalg	, der	 det såkalte «Hovedalternativet MMM» 	
 	
1 For eksempel kan man velge 2040 som referanseår og 2050	 som prognoseår	. Dette innebærer at man 	i pra	ksis	 først 	fram-	
skriver	 fra 2019/2020 	til 2040 	for å danne 	referanseåret. 	Referanseåret er i denne analysen også en framskrevet størrelse. 	
2019/2020 er startpunktene for prognosebanene for henholdsvis befolkningsvekst og økonomisk vekst	, som er grunnen til 	
at det blir slik.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	10	 	
 
er standardvalget for prognosebanen for befolkningsvekst. Når det gjelder prognosen for økonomisk 
vekst kan man skalere standardprognosen med enten +/	- 30 % (mellom referanse	- og prognoseår) eller 	
legge ingen eller dobbel 	økonomisk 	vekst til grunn (mellom 	referanse	- og prognoseår). 	 	
Den predikerte veksten	 spesifiser	es som vekst	faktorer	 for de tre reisehensiktene mellom referanse	- og 	
prognoseåret. Det er ikke snakk om årlige vekstrater, men vekstfaktorer for hele den spesifiserte perio-
den. En vekst	faktor	 på 	1 betyr ingen 	endring	, en vekst	faktor	 på 2 betyr en dobling og en vekst	faktor	 på 	
0,5 betyr en halvering. 	 	
Befolkningsvekst og økonomisk vekst er modellert basert på framskrivninger	 fra SSB	. Scenarioer med 	
endringer i utbredelsen av hjemmekontor, endret kon	kurranseflate, utviklingen av tilbringertransport, 	
utvikling av flymarked, utvikling av tog som transportmiddel til turistnæringen og økt miljøbevissthet er 
modellert som multiplikative faktorer som skalerer 	vekstfaktorene	 som	 i utgangspunktet	 drives av be-	
folkningsvekst og økonomisk vekst. 	De er i så måte ikke modellert som en 	framskriving det kan gjøres 	
endringer i, slik befolkningsvekst og økonomisk vekst er, men de er 	faktorer som påvirker effekten av 	
befolkningsvekst og økonomisk vekst. 	 	
Modelloppbyggin	gen	 slik den er illustrert i dokumentasjonen er gjengitt	 i Figur 2.	1. 	
Figur 2.	1: 	Dataflyt i prognosemodellen	 	
 	
Kilde:	 	Transportøkonomisk institutt 	(2020, s. 6)

Jernban	edirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	11	 	
 
Geografisk segmentering	 i markedsområder	 	
Modellen kan kjøres for tre ulike 	mark	edsområder	; nasjonalt gjennomsnitt, Oslo og Viken og fjerntoget. 	
Prognosene for befolkningsvekst og økonomisk vekst er tilpasset hver	t markedsområde	. Banene for be-	
folkningsvekst er 	summ	ert for det aktuelle segmentet, slik at nasjonalt gjennomsnitt har befolkningsut-	
viklingen for alle fylkene 	(bortsett fra Troms og Finnmark) og fjerntoget har befolkningsveksten for 	de 	
største 	aktuelle kommunene	, som er Bergen, 	Bodø, Kristiansand, Oslo, Sta	vanger og Trondheim	 	
(Transportøkonomisk Institutt, 2020, s. 11)	. Banene for økonomisk vekst er 	anslått basert på 	framskri-	
vinger fra SSB, 	Perspektiv	meldingen	 og 	NOREG	-modellen 	(Vista Analyse, 2020)	. Vi kommer tilbake til 	
dette i kapittel 	3. 	
Parameterverdiene 	varierer også basert på hvilket geografisk segment modellen kjøres for. Dette kom-	
mer vi tilbake til i kapittel 	4. 	
I tille	gg er det lagt inn funksjonalitet for egendefinering av 	markedsområdet	. Da må brukeren legge inn 	
tilpassede baner for befolkningsvekst	 og	 økonomisk 	vekst	, noe 	Excelarket 	har markerte 	celler	 for. Para-	
meterverdiene er	, med noen få unntak	2, satt lik 	parameterverdiene for 	nasjonalt gjennomsnitt. 	Para-	
meterverdiene er ikke låst, så brukeren kan endre disse 	dersom det er ønskelig. Det gjelder	 for øvrig	 	
også for de tre 	spesifiserte 	markedsområdene	. 	
Vekstmodellen	 	
De to framskrivingene 	(befolkningsvekst og økonomisk vekst) påvirker vekstmodellen 	gjennom scena-	
riodefinisjonene som settes av 	brukeren.	 At de øvrige 	forutsetningene	 om scenarioe	ne	 (hjemmekontor, 	
konkurranseflater, 	tilbringertransport, flymarked, turistn	æring og miljøbevissthet) 	kun er en skalering 	
av 	vekstfaktorene	 som drives av befolkningsvekst og økonomisk vekst, synes	 i Figur 2.	1 ved	 at 	disse 	
valgene påvirker vekstmodellen direkte, mens scenariovalg knyttet til befolkningsvekst og 	økonomisk 	
vekst påvirker vekstmodellen ved å endre	 (skalere)	 prognosebanene.	 	
Måten scenariovalgene som ikke har prognosebaner/framskrivinger skalere	r vekstfaktorene på er at 	
den brukerspesifiserte scenarioinputen endrer vekstfaktorene multiplikativt, gitt størrelsen på parame-
terverdiene i modellen, som kan være ulike for de tre reisehensiktene. 	 	
Dette lar seg 	best	 illustrere i form av et eksempel. La 	oss si at modellen 	predikerer vekst	faktorer	 på 	
1,588 for arbeids	- og tjenestereiser og 	1,337 for fritidsreiser.	3 Ved å 	innføre scenariovalget 	«moderat 	
økning	 i bruken av hjemmekontor (10 %)» vil vekst	faktorene	 reduseres	, fordi det blir mindre etterspør-	
sel etter togreiser når det 	blir	 økt bruk av hjemmekontor. 	Men dette gjelder nok i større grad for arbeids	- 	
og tjenestereiser enn for fritidsreiser. Dette 	har blitt implementert i parameterverdiene for de ulike 	
reisehensikt	ene, slik at effekten	 er størst for 	arbeidsreiser	 (100 pst. av scenarioeffekten)	, noe mindre 	
for 	tjenestereiser (60 pst. av scenarioeffekten)	 og	 enda mindre for fritidsreiser (40 pst. av scenarioef-	
fekten). 	Eksempelet	 er 	oppsummert	 i Tabell 	2.1. 	
 	
2 Fire parameterverdier avviker	 fra 	parameterverdiene for Oslo og Viken	. Det gjelder de fire scenariovalgene 	under 	«Utvikling 	
av tog 	som transportmiddel for turistnæring»	 for reisehensikten fritidsreiser. 	 	
3 Eksempelet er gjennomført med	 tallene fra 	vekstmodellen	 med referanseår 2019 og prognoseår 2050 og alle 	defaultinn-	
stillinger	 i markedsområdet	 «Nasjonalt gjennomsnitt»	.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	12	 	
 
Tabell 	2.1: 	Eksempel på samspillet mellom scenariovalg og parameterverdier	 	
Reisehensikt	 	Vekst	faktor	 	
i default	 	
Scenariovalg	 	Parameter-
verdi	 	
Scenario-
effekt	 	
Vekst	faktor	 	
i scenario-
valg	 	
Arbeidsreiser	 	1,588	 	Moderat øknin	g i hjemme-	
kontor (+10 %)	 	
0,90	 	100 %	 	1,429	 	
Fritidsreiser	 	1,337	 	Moderat økning i hjemme-
kontor (+10 %)	 	
0,96	 	40 %	 	1,283	 	
Tjenestereiser	 	1,588	 	Moderat økning i hjemme-
kontor (+10 %)	 	
0,94	 	60 %	 	1,493	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Endringen i vekst	faktorene	 for hver reisehensikt ved innføringen av scenarioet 	er gitt ved	 den tilhørende	 	
parameterverdien	, slik at vekst	faktoren	 i scenariovalget er produktet av vekst	faktoren	 i default og pa-	
rameterverdien, for hver reisehensikt.	 	
For arbeidsreiser som har parameterverdi 0,9 i 	scenarioet	 med 10 prosents økning i bruken av hjemme-	
kontor	, blir den opprinnelige vekstraten 	multiplisert	 med 0,9. 	Dette innebærer en scenario	effekt på 100 	
prosent. 	Fritidsreiser	 har en parameterverdi 	på 	0,9	6, noe som innebærer at scenariovalget med 10 pro-	
sents økning i bruken av hjemmekontor 	gir en redusert vekst	faktor	 på 4 prosent for fritidsreiser. Det gir 	
en scenarioeffekt på 	40 prosent for denne reisehensikten. 	Tjenestereiser	 har en 	scenarioeffekt på 60 	
prosent.	 	
For 	scenariovalg der re	isehensiktene har like parameterverdier, vil 	også 	scenarioeffekten v	ære lik	. Et 	
eksempel på dette er 	for økt miljøbevissthet, der 	parameterne	 er like på tvers av reisehensikter, men 	
ulike på tvers av 	markedsområdene	 i modellen (	Nasjonalt gjennomsnitt, Oslo og Viken og fjerntoget). 	
En 	grundigere	 diskusjon og vurdering av 	modellens p	arameterverdier 	gjøres 	i kapittel 	4. 	
Fordelingsmodellen	 	
Fordelingsmodellen er valgfri å kjøre. Dersom den 	kjøres,	 trengs ytterligere 	brukerspesifisert inndata 	
(grønn farge	 i Figur 2.	1) i form av referansetrafikk i nåsituasjon	en	. Fordelingsmodellen tar inn progno-	
sene fra ve	kstmodellen, referanse	trafikken	 (for kalibrering)	, samt	 to sammensatte indekser; én for e	nd-	
ret turattraktivitet og 	én for	 endret konkurranseflate. 	 	
De to indeksene 	er sammensatt av ulike underindekser	. I indeksen 	for endret turattraksjon inngår be-	
folkningsvekst, arbeidsplasser	4, flyplassvekst og turistnæringsvekst. 	I indeksen for 	endret konkurranse-	
flate 	inngår	 økende tidsverdi for tog og bil, og endring i konkurranse	dyktighet for bil. 	 	
Merk at 	konkurranseflatene mellom tog, bil og fly er scenariovalg som 	brukeren kan gjøre i analy	sene, i 	
tillegg til å være en 	(sammensatt) 	indeks i fordelingsmodellen. I fordelingsmodellen brukes tilbudsdata, 	
tidsverdier og generaliserte reisekostnader (GK) 	for å representere konkurranseflatene. I vekstmodellen 	
(der scenariovalg for konkurranseflater	 kan gjøres) 	inngår ikke disse dataene. 	 	
Fordelingsmodellen 	gjør kun en fordeling av den veksten som beregnes i vekstmodellen. 	Indeksene som 	
benyttes i fordelingsmodellen har ikke tolkbare absolutte enheter, men dette er 	i dokumentasjonen 	
beskrevet som	 upr	oblematisk nettopp fordi fordelingsmodellen ikke påvirker den samlede veksten som 	
 	
4 Tatt ut i 	versjonen vi ser på (versjon 1_1).

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	13	 	
 
predikeres	 (Transportøkonomisk Institutt, 2020, s. 26)	. Vektet med 	referansetrafikken er gjennomsnit-	
tet av fordelingsfaktorene 1. Dette gjør	 at 	den samlede veksten på tvers av alle relasjoner tilsvarer 	den 	
predikert	e veksten i vekstmodellen, for 	de tre reisehensiktene. 	Parameterverdiene er satt basert 	på krav 	
til egenskapene til fordelingsmodellen, som diskutert i kapittel 	5 i dokumentasjonen 	
(Transportøkonomisk Institutt, 2020, s. 26)	. 	
2.2	 	Modellering av etterspørselsvekst i andre modeller	 	
Vi har gjort en gjennomgang av d	e andre offentlige transportmodellene,	 nasjonal transportmodell 	
(NTM), regional transportmodell (RTM)	 og Tramod_by	 for å sammenlikne hvordan etterspørselsvekst 	
er modellert/kan simuleres i disse modellene. I tillegg har vi sett på om 	noen av 	de offentlige 	modellene 	
har elementer som kan sammenlignes med 	prognosemodellens	 todeling i en vekst	- og en fordelingsmo-	
dell. Dette presentes kort i det følgende. 	 	
Analyser av befolkningsvekst	 	
I de offentlige modellene kan man 	kjøre scenarioanalyser av befolkningsvekst	 ved å endre sonebefolk-	
ningsfilene, og holde alt annet likt. 	 	
I den første versjonen av 	RTM 	var	 det laget basisscenarioer for en rekke fremtidsår	, med et komplett 	
sett av inngangsdata med sonedata og ferdig kodede transporttilbud, inkludert vedtatte infrastruktur-
tiltak 	(Sintef, 2008, s. 29)	. Dokumentasjonen til modellen legger vekt på at innholdet i sonedatafilene 	
ikke bør endres i analyser, med mindre analysen innebærer å gjøre følsomhetsberegninger for endringer 
i sonedataene 	(Sintef, 2008, s. 63)	. Er det derimot policyvariablene i sonedatafilene som skal analyseres, 	
kan det være 	aktuelt å benytte seg av endringer i sonedataene. Dette gjelder variabler som arbeids-	
plasslokalisering, næringsprofiler og parkeringsplasser.	 	
I Tramod_by er det	 også	 implementert ulike demografidatafiler for årene 2010, 2014, 2018, 2024, 2025, 	
2030, 2040, 	2043, 2050 og 2060. Kommunespesifikke tall splittes på grunnkretser i hver kommune ba-	
sert på grunnkretsinndelingen fra 2010	 (Rekdal, Larsen, Løkketangen, & Hamre, 2013, s. 33)	. 	
Analyser av økonomisk vekst	 	
Utvikling i priv	at forbruk inngår som forklaringsvariabel i NTM6	 (Avinor, Jernbanedirektroatet, 	
Kystverket, Nye Veier og Statens vegvesen, 2019, s. 11)	. Dette innebærer at man kan legge ulike 	økono-	
miske 	vekstbaner	 til grunn for analyser i NTM.	 	
Økonomisk vekst inngår derimot ikke som en forklaringsvariabel i dagens RTM, noe som var tilfellet i 
tidligere modellversjoner 	(Transportøkonomisk institutt, 2019, s. 9)	. 	
Tramod_by har	 helle	r ikke innebygget funksjonalitet som støtter 	analyser av økonomisk vekst som driver 	
for transportetterspørselen.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	14	 	
 
Fordeling av vekst	en/reisene	 	
NTM og RTM er 	sammensatt	 av flere modeller	. Vi går ikke inn i alle modellene her, men en kort beskri-	
velse av etterspørselsmodellen i RTM/NTM er hensiktsmessig for sammenligning med 	prognosemodel-	
len	, da 	prognosemodellen	 også er en etterspørselsmodell. 	 	
Etterspørselsmodellen i NTM/RTM er modellert «bo	ttom	-up» ved at	 utgangspunktet er	 en 	representa-	
tiv reisende for hver aldersgruppe (fem grupper)	 som	 har tilknyttede reisevaner fundamentert i reise-	
vaneundersøkelsen (RVU). En turgenereringsmodell 	genererer turfrekvensen for den representative rei-	
sende. 	Tur	ene	 fordeles på 	ulike	 reiseformål	. Turene	 til de ulike formålene fordeles	 videre	 på 	ulike reise-	
midler og destinasjoner. Til slutt har den 	representative reisende et 	komplett 	og representativt 	reise-	
mønster som skaleres opp med sonebefolkningsfilen. 	Dette er illustrert i 	Figur 2.	2. 	
Outputen fra f.eks. NTM6 er 35 turmatriser fordelt på reisehensikter, avstands	intervall og transportmå-	
ter 	(Møreforskning, 2014, s. 19)	. 	
 
 
 
Arealdataverktøyet	 	
Arealdataverktøyet	 (ADV)	 er 	et 	nyutviklet verktøy som skal brukes sammen med RTM og beregne hvor-	
dan 	arealbruk påvirker etterspørselen etter transport	 (KIT	-samarbeidet, 2021)	. Eksempler på analyser 	
som skal kunne gjennomføres med ADV er	 hvordan	 endret lokalisering av boliger, arbeidsplasser, butik-	
ker, offentlige bygg og andre steder folk besøker kan gi endringer i transportom	fang og reisemiddelvalg	. 	
Verktøyet er utvikles	 i et samarbeid mellom 	en styringsgruppe fra KIT	-samarbeidet	5, Civitas, Numerika 	
og Asplan Viak Internet AS (Avinet) 	(Hamre, 2019, s. 1)	. 	
 	
5 «Karakteristika i transportmodel	ler», et 	faglig samarbeid mellom Kommunal	- og moderniseringsdepartementet, Vegdirek-	
toratet, Jernbanedirektoratet, Miljødirektoratet og 	Kommunesektorens organisasjon (KS). 	 	
Figur 2.	2: 	Turgenerering 	og fordeling på 	reiseformål og	 -middel	 	
 	
Kilde:	 	Statens vegvesen 	(2019, s. 107)

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	15	 	
 
Modellområdet for ADV er 	regionene, de tilhørende kommunene og herunder de tilhørende grunnkret-	
sene. Dette er 	illustrert	 i Figur 2.	3. 	
Figur 2.	4 illustrerer hvordan 	vekst fordeles i ADV.	 Merk at 	veksten fordeles på 	de	t aller laveste nivået i 	
inndelingen av modellområdet, grunnkretsene	, gitt 	dagens fordeling	 og kjennetegn ved tilgjengel	ighe-	
ten i de ulike grunnkretsene. Dette 	betyr at modellens 	fordeling av 	vekst	 gjøres	 «bottom	-up	». 	 	
2.3	 	Vurdering av modellens todeling	 	
I dette avsnittet vil vi vurdere hensiktsmessigheten i todelingen av modellen. 	Begrunnelsen for å ha en 	
todelt modell er omtalt på følgende måte i modelldokumentasjon	en: 	 	
Figur 2.	3: 	Modellområde i arealdataverktøyet (ADV)	 	 
Kilde:	 	Hamre 	(2019, s. 4)	 	
Figur 2.	4: 	Fordeling av vekst	 i arealdataverktøyet (ADV)	 	
 	
Kilde:	 	Hamre 	(2019, s. 14)

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	16	 	
 	
 De generelle effektene sier noe om hvor stor veksten i togtrafikken vil være, mens de relasjons-	
spesifikke effektene vil si noe om hvordan denne veksten fordeler seg over togstasjonsrelasjoner. Dette 
taler for at man deler prognosemodellen inn i to	 modeller, en vekstmodell og en fordelingsmodell. 	
Vekstmodellen modellerer effekten av generelle effekter mens fordelingsmodellen modellerer faktorer 
som fordeler veksten ut på de enkelte relasjoner.	 	
TØI rapport 1804/2020	 – s. 6	 	
Vi vil i det følgende vurdere om 	de	tte er en god begrunnelse	 for en slik oppbygging og hvilke implika	sjo-	
ner denne oppbyggingen har. 	 	
Prognosemodellen 	har et annet perspektiv enn	 de	 offentlige modellene 	 	
Prognosemodellen modellerer etterspørselen «top	-down	», altså fra et makroperspektiv over hele det 	
norske jernbanenettet, 	men 	er ment avgrenset til det	 markedsområdet	 man spesifiserer. Økt etterspør-	
sel kommer fra befolkningsvekst og økonomisk vekst, eller endringer i prognosene i disse som følge av 
endringer	 i andre underliggende etterspørselstrender (	hjemmekontor, konkurranseflater, tilbringer-	
transport, flymarked, turistnøring og miljøbevissthet	). Den generiske veksten blir så fordelt basert på 	
attraherings	verd	ier 	for og mellom sonene. 	 	
I de 	offentlige modellene er samlet etterspørsel etter jernbanetjenester lik produktet av turgenere-	
ringen på individnivå og sonebefolkningen. Dette er modellering «bottom	-up», ved at reisefrekvenser 	
på individnivå i hver sone (og for hver reisehensikt) skaleres	 opp med befolkningen i de ulike sonene. 	 	
På tross av ulikt utgangspunkt for modellering av veksten er det elementer i de offentlige modellene 
som minner om fordelingsmodellen i prognosemodellen. Modellene som fordeler turfrekvensen på de 
ulike reiseformå	lene og på de ulike reisemidlene er i utgangspunktet rene fordelingsmodeller fordi tur-	
frekvensen på individ	- og makronivå ikke påvirkes av dette. 	 	
En partiell modell	 	
Hovedforskjellen 	mellom prognosemodellen og de offentlige modellene er at 	prognosemodellen	 pro-	
gnostiserer vekst	 kun	 på jernbane eller	 mellom jernbanestasjoner	, mens 	de offentlige modellene 	mo-	
dellerer 	reis	evalg	 innenfor et større modellområde	 illustrert i	 Figur 	2.5. 	
Figur 	2.5: 	Illustrasjon av modellforskjeller	 	
 	
Kilde:	 	Vista Analyse	 	
Slik sett tar verken vekstmodellen eller 	fordelingsmodellen hensyn til alt annet som skjer i dannelsen av 	
et reisemønster, men søker å 	beskrive hvilke drivere som påvirker veksten til e	t allerede bestemt reise-	
mønster.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	17	 	
 
I prinsippet 	er det ingen begrensing i de offentlige modellen for hvor mye 	en reiser på tog kan stige med, 	
selv om veksten i modellene som oftest kun er befolkningsvekst kan	 svekkelser av andre destinasjons-	
valg og styring av destinasjoner hvor tog er beste reisemiddel gi 	en betydelig vekst, selv uten tilbudsfor-	
bedringer på tog. I prognoseverktøyet begrenses den overordnede veksten	 for området man ser på	 til 	
en makroøkonomisk 	vekst, mens veksten mellom to stasjoner er bestemt av hvordan denne veksten 	
fordeler seg	. For å sett	e dette på spissen, 	dersom man hadde tatt alle arbeidsplasser og alle 	boliger og 	
skvist det innenfor 500 meter fra hver stasjon i 	hver kommune, ville ikke d	ette hatt påvirkning på veksten 	
i modellen, men kun gitt en ny fordeling av de reisende for modellområdet man har spesifisert.	6 	
Etter vår vurdering hadde	 det	 styrket modellen	 å la mer av de stasjonsspesifikke egenskapene 	stå for 	
driverne av vekst i model	len.	 Spesielt 	befolkningsvekst, økonomisk vekst og, om mulig, vekst i arb	eids-	
plasser	, burde i større grad gitt vekstfaktorene for fremtidig togtrafikk	. Vel å merke	 der dette kan knyttes 	
til stasjoner.	 	
Fordelingsmodell eller 	omfordelingsmodell?	 	
Etter vår vurdering er 	måten fordelingsmodellen er spesifisert på med på å skape for store fordelings-	
virkninger og det vi 	mener er omfordelingsvirkninger. 	I Figur 	2.6 nedenfor,	 illustrerer vi hva vi legger i 	
omfordelingseffekter	. Vi ser tre ulike reis	erelasjoner, 	spørsmålet vi stiller er hva er korrelasjonen mel-	
lom de ulike 	reiserelasjonene. Vil drivere for vekst mellom A	-B kunne påvirke hvordan reiser	 mellom	 A-	
C utvikler seg, og er det like sterk korrelasjon mellom disse to relasjonene som det er for B	-C?	 	
Figur 	2.6: 	Illustrasjon av omfordelingseffekter	 
 	
Kilde:	 	Vista Analyse	 	
Vi viser senere i kapittel 	3.1	, 3.3	 og 	3.4	 at 	spesifiseringen av modellen 	gir, etter vår vurdering for mye 	
påvirkning mellom A	-B og B	-C. Dette er med på å 	omfordele vekst mellom reiserelasjoner til fordel 	for 	
relasjoner med høy vekst og på	 bekostning av rel	asjoner med lav vekst. 	 	
Det er hvordan 	attraksjonsindeks, turattaksjonsindeks og 	absolutte fordelingsindeksen i fordelingsmo-	
dellen er spesifisert som 	forårsaker 	de store fordelingsvirkningene. 	Mulitplikativiteten i disse forsterker 	
i hver	t trinn 	forskjellene fra stasjonssoner til 	reiserelasjoner før det lages en normalisert fordeling. 	Vari-	
asjonen	e i den normaliserte fordelingen blir da svært høy og når den generiske vekst	en til slutt fordeles 	
blir resultatene mer modell	tekniske enn forklar	bare. 	 	
 	
6 Det er vel å merke et scenariovalg for 	utvikling av tilbringertransport som man kunne 	spesifisert opp for det tenkte scenarioet.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	18	 	
 
Fordeler og ulemper med	 modell	spesifiseringen	 	
Det er ikke bare ulemper ved å ha en	 modellspesifisering 	med en vekstmodell og en fordelingsmodell. 	
Den åpenbare 	fordelen	 med en fordelingsmodell er at man 	i svært liten grad risikerer 	å overvurdere 	
vekstfaktorene 	og i mindre grad trenger å 	gjøre vurderinger av 	korrelasjoner mellom de ulike driverne 	
for vekst. 	De underliggende driverne for vekst er gitt gjennom utvikling i befolkning og økonomisk vekst, 	
som	 også	 er 	de viktigste underliggende driverne	, selv om fordelingsmodellen	 benytter drivere på sta-	
sjonsnivå	 gjør den til slutt kun en fordeling av 	den overordnede v	eksten. 	 	
Dette sikrer	 også	 konsistens mellom brukere som kun benytter vekstmodellen og 	brukere som 	også 	
benytter 	fordelingsmodellen. 	 	
Ulempen 	med en slik modellspesifisering er at 	vekstfaktorene blir bestemt for overordnet, se	 kapittel	 	
3.1	 og 	3.2	. Modellen	 tar i liten grad hensyn	 til egenskapene ved det markedet som modelleres	 og det 	
er li	te rom for å 	undersøke virkningene 	økt vekst 	for enkeltstasjoner kan ha for den totale veksten. 	 	
For eksempel er det tre scenarioer i modellen 	som ikke er globale, dette er 	endret konkurranseflate mot 	
flytrafikk, endret bruk av flyplass som tilbringer og 	endring i turisme. Alle disse scenarioene for vekst 	er 	
globale i vekstmodellen, selv om de burde være 	områdespesifikke	. For de to sistnevnte gjøres det 	 om-	
rådespesifikke 	endringer i attraksjonsnivåer for å kompensere og skru effekten i riktig retning, men 	man 	
har for liten kontroll i fordelingsmodellen til at dette gjøres 	på en korrekt måte. 	 	
I en mer «bottom	-up»	-tilnærming ville 	disse effektene	 i disse scenarioene 	vært mye enklere å håndtere	 	
og effekten ville gitt seg utslag der effekten 	burde være	, uten at	 dette ville påvirket andre 	reiserelasjoner. 	 	
Dersom 	dataene som driver vekst i modellen er tilgjengelig på det la	veste 	inndelte nivået i modellom-	
rådet, burde 	fordeling av veksten 	gjøres her, slik at veksten modelleres	 «bottom	-up	». Dette vil sikre at 	
man bruker 	den informasjonen som ligger 	i detaljeringsgraden i dataen	. «Top	-down	-modellering	» er 	
hensiktsmessig når man derimot ikke har data på 	det laveste 	inndelte nivået	 i modellen	, men kjenner 	
noe om 	mekanismene	 som fordeler vekst f	ra et høyere nivå.	 	
Vår vurdering er at s	elv om det 	er en fordel at 	fordelingsmodellen gir et konsistent resultat med 	over-	
ordnet vekst, 	gir 	dagens spesifisering 	en for stor fordelingseffekt og gir for mye «omfordeling» av vekst. 	
Det er allerede en kjent problemstilling, og 	det er utviklet elastisiteter som kan dempe 	effektene av 	
fordeling	smodellen. 	Selv om man 	utvikler modellen slik at den demper fordelingseffektene vil	 man ende 	
opp med	 at vekst i en relasjon korrelerer med 	vekst 	i alle 	andre	 rel	asjoner	, effektene blir bare mindre	. 	
Dette gir mer modelltekniske resultater enn tolkbare resultater. 	Med modelltekniske resultater mener 	
vi resultater som 	oppstår utelukkende av hvordan modellen er spesifisert, og ikke som følge av 	drivern	e 	
som genererer vekst. 	 	
Vi tror prognosemodellen har forbedringspotensial i 	at flere av inndataene kunne vært modellert 	«bot-	
tom	-up	». En stor del av inndataene er allerede spesifisert på 	stasjonsnivå, og 	ved hjelp av	 f.eks. analyser 	
gjennom NOREG 	burde det 	være mulig å etablere både økonomisk vekst og 	arbeidsplassdata på 	kom-	
munenivå	, eller grunnkretsnivå	. Vi diskuterer nærmer hvordan det kunne vært løst i kapittel 	3 og 	6.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	19	 	
 	
3	 	Vurdering av i	nndata	 og bruk av 	
disse	 	
Det inngår en rekke inndata i modellen som brukes på ulikt vis avhengig av om det er inndata til vekst-
modellen eller	 fordelingsmodellen.	 Inndataene	 består av befolkningsdata, økonomisk vekst, tilbudsdata 	
for tog og bil (LoS	-data)	, arbeidsplassdata	, flyplass og turistmarkeder og turmatriser	. Økonomisk vekst 	
benyttes kun i vekstmodellen, og befolkningsdata brukes i vekstm	odellen og fordelingsmodellen. Til-	
budsdata og arbeidsplassdata benyttes utelukkende i fordelingsmodellen.	 Vi vil i det følgende vurdere 	
de 	ulike dataene 	ut ifra	 hvor oppdaterte dataene er og alternative kilder, vurdere kvaliteten på stati-	
stikkproduksjonen,	 nytten av å bruke dataene og hvordan inndataene brukes/bearbeides.	 	
Vi vurderer at 	datakvaliteten for	 driverne i vekstmodellen, herunder befolkningsvekst og økonomisk 	
vekst 	benytter gode og solide kilder. 	Økonomisk vekst har fått nye og oppdaterte prognoser siden mo-	
dellen ble laget og 	bør således oppdateres.	 	
For dataene i fordelingsmodellen 	vurderer vi at kilden for befolkningsvekst	 og vekst i arbeidsplasser er 	
for ugjennomsiktig 	i bearbeiding fra RTM til v	ektet befolkning og arbeidsplasser for stasjonssone. 	Vi 	
mener også at selve vektene gir stasjonene et for stort influensområde og 	impliserer en for lav variasjon 	
i reisefrekvens	. 	
Dataene for 	tilbudskvalitet	 og turmatriser	 anser vi som detaljerte og gode	 basert på	 beste kilde.	 For 	
dataene for flyplass	 og turist	markeder	 virker 	definisjonen av flyplass	markeder	 å være god, mens 	turist-	
markeder	 etterlyser vi en 	utdyping av hva man ønsker å modellere. 	Det bør etableres et sett av kriterier 	
for hva som definerer e	t turistmarked.	 	
For b	ruken av dataene har	 vi flere av de samme vurderingene som under vurdering av modellens opp-	
bygging. Spesielt 	befolkningsvekst og arbeidsplassdata og den multiplikative 	spesifiseringen av disse på 	
sone og mellom sone fører til at små fo	rskjeller forsterkes til store og 	gir høy grad av omfordeling i 	
modellen	. Når	 LoS	-dataene, som har en høy detaljeringsgrad, multipliseres inn i tillegg 	skaper dette 	
resultater som blir 	svært vanskelig å	 tolke	 og flere av resultatene fremstår som det vi kaller modelltek-	
niske.	 	
Bruken av de sonespesifikke inndataene 	for flyplass og turistmarkeder vil fungere i avgrensede marke-	
der for flyplassmarkeder	. Økt attraheringsverdi for turistmarkedene	 vil føre til at det 	blir størst omfor-	
deling til OD	-par med turistmarked til turistmarked	, når man egentlig ønsker å gi mer vekst 	til OD	-par 	
med befolkning 	– turistmarked.	 	
3.1	 	Befolkningsdata	 	
De	t er to ulike sett av 	data for befolkningsutvikling som benyttes i modellen. Befolkning	sframskrivinger 	
fra SSB	 og befolkningsvekst på grunnkrets	/sone	-nivå fra RTM. 	Sistnevnte er en bearbeiding av befolk-	
ningsframskrivingene fra SSB på kommunalt nivå. 	 	
I vekstmodellen	 benyttes befolkningsframskrivingene fra SSB	 på regionalt nivå.	 Det er forhån	dsdefinerte 	
generiske vekstfaktorer som inngå	r. Det er her definert opp tre vekstscenarier/	geografiske 	segmenter	:

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	20	 	
 
• 	Nasjonalt gjennomsnitt	 (alle fylker utenom Finnmark og Troms)	 	
• 	Oslo/Viken	 (Befolkningsvekst for Oslo og Viken samlet)	 	
• 	Fjerntog	 (De største byen	e fjerntogene betjener samlet, Os	lo, Bergen, Kristiansand, Stavanger, 	
Trondheim og Bodø)	 	
I tillegg kan man velge egendefinert vekstfaktor	 dersom man ønsker å se på andre scenarier. 	Vekstsce-	
narioene tar utgangspunkt i SSBs 	befolkningsprognoser for middels vekst (MMM	M). I tillegg er det lagt 	
til rette for	 ytterligere 6	 alternativer per vekstscenario/geografiske segment	 som er basert på de alter-	
native 	utviklingsbanene til SSB	. Disse 	tar	 utgangpunkt i scenarier for høy/lav/sterk/svak nasjonal vekst, 	
nettoinnvandring og aldring. Det ligger også inne faktisk utvikling i tidsrommet 2014	-2019	. 	
Dataene for framskriving er 	hentet fra statistikkbanken i august	-september 2020. 	Siste publikasjon 	av 	
regionale	 befolkningsframskrivinger var 	18	.august	 2020	. Dataene som brukes er altså siste oppdaterte 	
tall. 	 	
I fordelingsmodellen 	benyttes 	et 	datasett 	hvor de regionale framskrivingene fra SSB	, publisert 18.august, 	
er 	fordelt ned på grunnkretser. Dette d	atasettet er etablert for å be	nyttes i den regionale transportmo-	
dellen RTM. 	Basert på dette datasettet har TØI bearbeidet 	sonedata	ene med en metode som oversetter 	
grunnkretsdataene til togstasjonsdata. Metoden 	består i følgende trinn	: 	
1. Det gjøres en 	beregning av distanse langs vei mellom grunnkretser og togstasjoner i RTM	 	
2. For hver grunnkrets velges nærmeste stasjon	 	
3. Etablerer vekter som brukes for indeksberegning av sonedata	 	
For å 	la grunnkretser som ligger nærmere stasjonen telle mer enn grunnkretser som ligger langt unna 	
er 	det etablert en intern vekting av inndata basert på distanse mellom grunnkrets og stasjon. 	 	
Tabell 	3.1: 	Vekter 	som brukes for indeksberegning av befolkningsdata	 	
Distanse D fra grunnkrets til stasjon 	 	Brukt vekt 	 	
D < 1 km 	 	1 	
D ≥ 1 km og D < 2 km 	 	0,9 	 	
D ≥ 2 km og D < 3 km 	 	0,8 	 	
D ≥ 3 km og D < 5 km 	 	0,7 	 	
D ≥ 5 km og D < 10 km 	 	0,5 	 	
D ≥ 10 km og D < 20 km 	 	0,3 	 	
D ≥ 20 km og D < 50 km 	 	0,2 	 	
D ≥ 50 km og D < 100 km 	 	0,1 	 	
D ≥ 100 km 	 	0 	
Kilde:	 	Transportøkonomisk institutt 	(2020, s. 17)	 	
Basert på d	enne metodikken dannes en vektet befolkning for 2018, 2030, 2040 og 2050. 	De andre årene 	
i modellen er enten interpolert eller ekstrapolert ut fra disse.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	21	 	
 
Bruk 	av befolkningsdata	 	
Som nevnt over brukes befolkningsdata i 	vekstmodellen	 generisk. 	Hvilken vekstf	aktor som legges til 	
grunn er avhengig av hvilket scenario/	geografisk område man velger. 	Vi benevner det som scena-	
rio/geografisk område fordi man kan velge å kjøre nasjonalt gjennomsnitt for det geografiske området 
Oslo/Viken, eller scenarioet Oslo/Viken f	or det geografiske området 	rundt 	Trøndelag.	 De ulike scenari-	
oene er likevel ment å benytte for 	de ulike regionene	 basert på om 	man ser på Østlandet	 (Oslo/Viken)	, 	
andre regioner	 (Nasjonalt gjennomsnitt)	 eller Fjerntog	 (Fjerntog)	. 	
En kan kjøre modellen uten fordelingsmodellen, og kun benytte de generiske vekstfaktorene. Da vil alle 
reiserelasjoner (OD	-par) man har spesifisert få samme vekst	, avhengig av hvilket scenario man har valgt.	 	
I fordelingsmodellen	 benyttes 	data på 	stasjonssonenivå.	 Det er den vektede befolkningen basert på so-	
nedata fra RTM og metode for vekting utviklet av TØI som danner 	hvor stor befolkning hver stasjon har 	
og utviklingen i denne befolkningen.	 	
I Figur 	3.1 og 	Fig	ur 	3.2 viser vi 	hvilke vekstfaktorer som ligger i vekstmodellen 	sammenlignet med vekst-	
faktorene i fordelingsmodellen	. I tillegg sammenlignes 	vekst i tog	-ko	mmune med sone	befolkningen ba-	
sert på RTM/	TØI	, tilgjengelig i modellen	.7 Som vi 	ser,	 er det 	relativt lite forskjell mellom 	den generelle 	
veksten i tog	-kommunene og den veksten i den vektede befolkningen 	mellom 2020	-2050. 	Metoden gir 	
likevel noe mer vekst 	på Østlandet og 	i Trøndelag	. 	
Det er relativt godt samsvar mellom 	scenario Oslo/Viken og 	veksten i den vektede sonebefolknin	gen	. 	
For 	Nasjonalt gjennomsnitt er det best samsvar me	d Vossebanen mellom Bergen og Voss	. De andre 	
regionene 	har derimot høyere vekst i sonebefolkningen enn det som ligger til grunn for 	nasjonalt gjen-	
nomsnitt, unntaket er Saltenpendelen	 (Bodø	-Rognan) som l	igger betydelig under	. 	
Figur 	3.1: 	Sammenligning vekstfaktorer regioner	, 2020	-2050	 	
 	
Kilde:	 	Prognosemodellen versjon 1_1 og SSB	 	
 	
7 Tog	-kommune basert på vekst i kommuner med togstasjon, koblet til togstasjonen(e) i kommunen. 	Data er basert på SSBs 	
MMM	-alternativ.	 	
 0,95
 1,00
 1,05
 1,10
 1,15
 1,20	
Østlandet	Jærbanen	Vossebanen	Trønderbanen	Saltenpendelen	
Vekstfaktor togkommuner	Vekstfaktor RTM/TØI	
Nasjonalt gjennomsnitt	Oslo/Viken

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	22	 	
 
For 	scenarioet fjerntog 	ligger vekstfaktoren mellom 2020 og 2050 over 	veksten i sonebefolkningen for 	
alle strekninger. 	Det er likevel relativt samsvar for de største strekningene, Bergensbanen, Sørlandsba-	
nen og Dovrebanen. Størst avvik er det for Nordlandsbanen og Rørosbanen.	 	
Fig	ur 	3.2: 	Sammenligning vekstfaktorer fjerntog	, 2020	-2050	 	
 	
Kilde:	 	Prognosemodellen versjon 	1_1 og SSB 	 	
For å illustre	re hvordan	 befolkningsdata	ene brukes vil vi gjøre dette med et redusert eksempel for Øst-	
landet	. Vi vil ta utga	ngspunkt i 	stasjonene Oslo S, Lillestrøm, Moss og 	Drammen. Referansetrafikken vi 	
benytter er 	fikti	v, men med utgangpunkt i reiserelasjonene Oslo S 	– Lillestrøm > Oslo S 	-Drammen > 	
Oslo S 	– Moss	 og at reiser mellom de andre stasjonsparene er 	betydelig lavere og lavest hvor 	reiser 	
kreves overgang på tog.	 Benyttet referansetrafikk er vist i 	Tabell	 3.2. I eksempelet er al	le drivere	 enn 	
befolkningsvekst 	fjernet	 slik at vi ser utelukkende på hvordan 	denne størrelsen spiller inn gjennom 	
vekstmodellen og 	fordelingsmodellen.	 	
I vekstmodellen benytter vi Oslo/Viken, dette betyr at sum	men for området vi har definert 	får 	1,173 i 	
vekstfaktor	, eller 17,3 % vekst mellom 2020 og 2050.	 Gjennom 	Tabell	 3.2 til 	Tabell 	3.5 ser vi hvordan 	
befolkningsdata blir brukt i modellen til å danne vekstfaktorer 	mellom 	reiserelasjoner (OD	-par).	 	
Tabell	 3.2: 	Benyttet referansetr	afikk	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	- 	 	400 000 	 	1 000 000 	 	 	700 000 	 	
Moss	 	 	400 000 	 	 	- 	15 000 	 	 	15 000 	 	
Lillestrøm	 	 1 000 000 	 	15 000 	 	- 	 	50 000 	 	
Drammen	 	 	700 000 	 	 	15 000 	 	50 000 	 	 	- 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Befolkningsveksten på sonenivå 	benyttes til å danne en turattraksjonsindeks	. Dette gjøres ved å regne 	
ut produktet av 	sonebefolkningen mellom hver	t OD	-par. 	I Tabell	 3.3 vises 	hvordan dette settes sammen 	
for de ulike OD	-parene	, hvor befolkningsveksten på sonenivå er vist i ytterste rad og kolonne. 	Total 	
befolkningsvekst	faktor	 for de aktuelle 	sonene er 	1,152, noe som er litt lavere enn 	veksten som ligger til 	
 0,96
 0,98
 1,00
 1,02
 1,04
 1,06
 1,08
 1,10
 1,12
 1,14
 1,16	
Bergensbanen	Sørlandsbanen	Dovrebanen	Nordlandsbanen	Rørosbanen	
Vekstfaktor basert på togkommuner
Vekstfaktor RTM/TØI
Scenario Fjerntog

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	23	 	
 
grunn fra vekstmodellen på 1,173. 	Vi ser også at det er stor variasjon i vekstfaktorene for sonene, hvor 	
Lillestrøm har den friskeste prognosen på 1,26 og Oslo S den laveste	 på 1,10. 	 	
Tabell	 3.3: 	Turattraksjonsindeks	 	
1,152	 	Bef_vekst	 	1,10	 	1,14	 	1,26	 	1,13	 	
Bef_vekst	 	 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
1,10	 	Oslo S	 	 	 1,26 	 	 1,39 	 	 1,25 	 	
1,14	 	Moss	 	 1,26 	 	 	 1,44 	 	 1,29 	 	
1,26	 	Lillestrøm	 	 1,39 	 	 1,44 	 	 	 1,43 	 	
1,13	 	Drammen	 	 1,25 	 	 1,29 	 	 1,43 	 	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Turattraksjonsindeksene gir ikke noe 	tolkbart tall i seg selv, men kun en måte å 	skalere opp 	attraksjons-	
verdiene mellom to OD	-par. 	Det er 	i fordelingsmodellen 	valgt å multi	plisere de sammen, noe som i seg 	
selv 	er med på å skape en del variasjon mellom 	OD	-parene. Det er lagt til rette for å 	dempe denne 	
effekten i modellen ved 	å endre på elastisiteten til 	turattraksjonsindeksen. 	Etter turattraksjonsindek-	
sene er dannet normalis	eres den 	til 	et gjennomsnitt på 1 	hvor referansetrafikken 	i Tabell	 3.2 vektes inn	. 	
De normaliserte fordelings	faktorene er gjengitt i 	Tabell 	3.4. 	
Tabell 	3.4: 	Normaliserte fordelingsfaktorer	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	0,95	 	1,05	 	0,94	 	
Moss	 	0,95	 	 	1,09	 	0,98	 	
Lillestrøm	 	1,05	 	1,09	 	 	1,08	 	
Drammen	 	0,94	 	0,98	 	1,08	 	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
De normaliserte fordelingsfaktorene 	i Tabell 	3.4 multipliseres så med vekstfaktoren s	om 	var resultatet 	
fra vekstmodellen, 1,173. Siden 	de normaliserte fordelingsfaktorene	 har et gjennomsnitt på 1 	og er vek-	
tet med referansetrafikken 	vil 	vekstfaktorene 	i Tabell 	3.5 gi 	17	,3 prosent vekst 	om de benyttes på refe-	
ransetrafikken i 	Tabell	 3.2. 	
Tabell 	3.5: 	Resultat 	vekstfaktor per relasjon	 	
1,173	 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	 1,12 	 	 1,24 	 	 1,11 	 	
Moss	 	 1,12 	 	 	 1,28 	 	 1,15 	 	
Lillestrøm	 	 1,24 	 	 1,28 	 	 	 1,27 	 	
Drammen	 	 1,11 	 	 1,15 	 	 1,27 	 	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Det kan være greit å merke seg her at vekstfaktorene for Lillestrøm	-Moss og Lillestrøm	-Drammen 	ender	 	
med å være høyere enn vekstfaktoren i sonebefolkningen for Lillestrøm	 som var 1,26.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	24	 	
 
Vurdering av datakvalitet	 	
Det er få al	ternativer til å benytte 	befolknings	framskrivinger fra SSB, 	enkelt	e kommuner har laget sin	e 	
egn	e prognose	r, men det ville 	vært vanskelig å sammenstille og vedlikeholde et oppsett som tar inn 	
over seg 	slike data. 	Bearbeidingen av dataene som er gjort for RTM 	ved å dele befolkningsveksten inn i 	
grunnkretser virker rimelig 	og gir en merverdi	 selv om det øker usikkerheten i datae	ne. 	Den ytterligere 	
bearbeidingen av TØI for å danne en vektet befolkning er mer 	uklar	. V	i har ikke hatt tilgjengelig 	den 	
ytterligere dokumentasjonen av metoden	, men har basert oss på det som står forklart i dokumentasjo-	
ne	n av 	prognosemodellen.	 Vår innvend	ing mot metoden er at det er høyst tvilsomt at den kan fungere 	
generisk 	i alle typer markeder. Som et minimum bør det gjøres 	egne vurderinger 	i områder med høy 	
tetthet av stasjoner, og hvor det er en blanding av 	knutepunktstasjoner og andre stasjoner.	 I Tabell 	3.6 	
viser vi et utsnitt av sonebefolkningen 	for enkelte stasjoner i Oslo	, vi ser at Oslo S 	er blant de med lavest 	
sonebefolkning, mens 	andre stasjoner som Bryn og Grefsen har betydelig høyere. 	Det er grunn til å tro 	
at 	influensområdet til Bryn, Grefsen og Tøyen her 	er større enn det som er reelt, mens det egentlig 	
burde høre til Oslo S	, og at 	me	toden ikke tar hensyn til at det generelle kollektivnettet 	er bygget rundt 	
Jernbanetorget i Oslo. 	 	
Tabell 	3.6: 	Sonebefolkning i Oslo	 	
 	vektet_befolkning_2018	 	
Bryn	 	 63 501 	 	
Grefsen	 	 56 138 	 	
Tøyen	 	 52 802 	 	
Oslo S	 	 37 019 	 	
Nordstrand	 	 35 518 	 	
Nydalen	 	 30 418 	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	 	
Avstandsintervallene og vektene i 	Tabell 	3.1 er heller ikke veldig godt dokumentert	e. Hensikten med de 	
er at man skal vektlegge de som 	bor nærme stasjonen mer enn de som bor lengre unna. 	Regnet om til 	
reisefrekvens 	gir metoden en dobbelt så høy reisefrekvens for de som bor innen en kilometer 	fra sta-	
sjonen 	enn for de som 	bor i intervallet	 5-10km fra stasjonen, og 	10 ganger høyere enn de som bor 50	-	
100km fra stasjonen. 	Vi anbefaler at det sees nærmere på om 	disse reisefrekvensene kan utledes fra 	
NRVU eller andre reisevaneundersøkelser som er gjort for togreiser. 	Intuitivt virker det å være 	for store 	
influensområder	, og med for lav variasjon i reisefrekvens. 	 	
Vurdering av bruken av befolkningsdata	 	
Bruken av aggregerte vekstfaktorer i vekstmodellen og 	disaggregerte 	vekstfaktorer i fordelingsmodellen 	
skaper et	 potensielt misforhold mellom 	de to modellene	. Vi ser ikke noen god årsak til at 	de scenarioene 	
for vekstmodellen 	som er valgt	 er de riktige	. Uavhengig av om man har 	eller ikke har en fordelingsmodell 	
burde veksten 	som 	benyttes være avgrenset til området man 	gjør 	prognoser for og ta utgangspunkt i 	
vekst på det laveste nivået. 	Dataene for å gjøre dette ligger al	lerede	 i modellen, men det 	må tilretteleg-	
ges 	for scenarier 	for høy/lav/sterk/svak nasjonal vekst, nettoinnvandring og aldring.	 I eksempelet som 	
vi gjennomgikk 	gjennom	 Tabell	 3.2 til 	Tabell 	3.5 viste 	veksten i sonebefolkning	en en faktor på 1,152,

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	25	 	
 
likevel 	avstemte modellen	 resultatene	 til den generelle veksten i Oslo/Viken 	til 	1,173	. Selv om dette ikke 	
er store forskjeller i en tidshorisont 	mello	m 2020 og 2050 	er det ikke 	gitt at alle områder har 	like lavt 	
avvik	, noe 	Figur 	3.1 og 	Fig	ur 	3.2 viser. 	 	
Utledningen av attraksjonsindeks ved å multiplisere 	sammen 	vekstfaktorene i sonebefo	lkningen skaper 	
mer variasjon og «omfordeling» uten at det 	er 	noen analytisk årsak til 	hvorfor det skal gjøres på den 	
gitte måten. 	En mer begrunnet metode ville vært å ta en form for gjennomsnitt mellom de ulike 	sonene	, 	
dette ville i det minste gi en 	plaus	ibel forklaring for hva attraksjonsindeksen 	består av	 og kunne vært 	
benyttet både 	med	 og uten et fordelingsprinsipp. 	Et prinsipp for et slikt gjennomsnitt kunne vært som 	
skisser	t i Figur 	3.3 under	 hvor vi skisserer 	hvordan veksten for et OD	-par	 med hhv 1,10 og 1,20 i vekst-	
faktor 	kunne vært beregnet	. Et slikt gjennomsnitt kan utformes på flere måte	r, og det ville vært mulig 	
som en proxy	, for å ta høyde for generering og attrahering, 	å vekte	 gjennomsnittet	 for sonebefolkningen. 	 	
Figur 	3.3: 	Prinsipp for utregning av vekst mellom OD	-par	 
 	
Kilde:	 	Vista Analyse	 	
Tabell 	3.7 viser hvordan vekstratene 	i det tidligere eksempelet blir om man 	benytter et geometrisk gjen-	
nomsnitt for å utlede attraksjonsindeksene	. Vi har gjort dette ved å 	sette elastisiteten for 	turattr	aksjons-	
indeks i modellen til 0,5 	som i praksis vil si at vi tar roten av 	produktet til sonebefolkningen for hver	t OD	-	
par. 	Vi ser at dette demper variasjonene 	i vekstfaktorene	 betydelig, og det er nå ingen 	OD	-par som har 	
fått en vekst som er høyere enn 	den 	enes stasjon i OD	-parets vekstfaktor. 	Det virker nå mer som en 	
fordeling enn en omfordeling av vekst. 	 	
Det er likevel viktig å presisere at 	disse resultatene er 	akseptable	 fordi avviket mellom veksten i sone-	
befolkningen	 for modellområde	 og den generiske ve	ksten ikke er 	så høy	. Dersom avviket her er stort 	
blir det likevel store «omfordelinger»	. Vi har også slått av alle andre drivere i modellen for å isolere 	
effekten	 av bruken av befolkningsdata.	 	
Tabell 	3.7: 	Eksempel med geometrisk gjennomsnitt	 	
1,173	 	 Oslo	 S 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	 1,14 	 	 1,20 	 	 1,14 	 	
Moss	 	 1,14 	 	 	 1,23 	 	 1,16 	 	
Lillestrøm	 	 1,20 	 	 1,23 	 	 	 1,22 	 	
Drammen	 	 1,14 	 	 1,16 	 	 1,22 	 	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Måten 	modellen er satt opp med en vekstmodell og en 	fordelingsmodell gjør at 	de ulike OD	-parenes 	
vekstfaktorer er avhengig av hverandre.	 Det vil si at hvis det er svært høy	 vekst på Lillestrøm og 	i Dram-	
men	 kan dette få innvirkning på hvordan veksten mellom Oslo S og Drammen beregnes	, fordi det er en

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	26	 	
 
gitt mengde som skal fordeles. Dette gir resultater 	som ikke e	r enkelt	 å forklare. 	Det beste ville derfor 	
vært om 	befolkningsvekst ikke inngikk i en fordelingsmodell, men var modellert per OD	-par uavhengig 	
av andre.	 	
3.2	 	Økonomiske data	 	
Økonomisk vekst inngår	 utelukkende	 i den generelle vekstmodellen. 	Den utgjør en generisk påslagsfak-	
tor 	som benyttes for framskriving av r	eferansetrafikken	. Det er etablert	 baner for økonomisk vekst 	fram 	
til 2050	. Indikatoren 	som er benyttet for økonomisk utvikling 	er endringer i fastlands	-BNP per person. 	
Prognosene som er utarbeidet er både på nasjonalt nivå og på ulike regionale nivåer til	passet de geo-	
grafiske 	nivåene/scenarioene i modellen.	 Datakildene som	 er benytte	t for 	å fremskrive BNP fastland er:	 	
• 	Historiske vekstrater fra SSB fra 2014 til 2019	 	
• 	Nasjonale prognoser for vekstrater fra	 konkunkturtendensene	-SSB mellom 2020 og 2023	 	
• 	Prognose	r for nasjonale vekstrater fra 2024 til 2050 fra perspektivmeldingen	 	
• 	Prognoser for regionale vekstrater fra 2019 til 2050 fra NOREG	-modellen	 	
De nasjonale prognosene fra 	konkunkturtendensene	-SSB og 	perspektivmeldingen (finansdepartemen-	
tet) 	benyttes sammen med NOREG	-modellen 	for å for å danne tilsvarende vekstscenario/	geografiske 	
segmenter som for befolkningsvekst. 	For de regionale analysene legge	s det	 til grunn at den samlede 	
nasjonale veksten er lik	 den prognostiserte veksten fra 	Konjunkturtendensene	 og Perspektivmeldingen, 	
men veksten	 fordeles	 i henhold til de ulike vekstratene som beregnes for ulike fylker i NOREG	-modellen.	 	
Figur 	3.4: 	Baner for økonomisk vekst, BNP per	 innbygger	 	
 	
Kilde:	 	Statistisk sentralbyrå	 	
I Figur 	3.4 vises de ulike vekstscenarioene som 	legges til grunn i modellen. Disse banene for vekst er 	
tillagt en elastisitet	 som beskriver den relative endringen 	i antall togturer,	 for de ulike reisehens	iktene	, 	
gitt en relativ endring i økonomisk vekst.	 En nærmere vurdering av elastisitetene som er lagt til grunn 	
er 	gitt i	 kapittel	 0. 	
0,8
0,9
1
1,1
1,2
1,3
1,4
1,5
1,6	
Nasjonalt gjennomsnitt	Oslo-Viken	Fjerntoget

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	27	 	
 
Vurdering av datakvalitet	 	
Vår 	vurdering er at kildene som benyttes 	følger beste praksis. 	Selv om det er stor usikkerhet i progno-	
sene for økonomisk 	vekst, og de langsiktige banene bør tolkes mer som prognostisert trendvekst og ikke 	
en nøyaktig utvikling fra år til år, er det over tid tr	effsikre prognoser. 	Det er selvfølgelig enda større 	
usikkerhet når 	vekstratene 	fordeles ned på regioner, men metoden som benyttes med å 	kun la resulta-	
tene i NOREG	-modellen fordele de nasjonale vekstratene 	sikrer en konsistens	 mellom regionalt og na-	
sjonalt nivå.	 	
Perspektivmeldingen som ligger til grunn for 	nasjonal vekst 	mellom 2024	-2050 er fra 2017. En ny 	
perspektivmelding foreligger fra 2021	, her er banen for nasjonal vekst revidert ned betydelig. 	Forskjel-	
lene er såpass store at det bør etableres ny bane for økonomisk vekst i modellen. 	 	
Det er også revidert økonomisk utvikling i konjunkturtendensene, denne er litt mer positiv enn tidligere	. 	
Ved etablering av den nye perspektivmeldingen 	bør også de	 nye anslagene for 	2021	-2023 legges til 	
grunn i modellen.	 	
Vurdering av bruken av økonomisk vekst	 	
Selv om det er få studier i Norge på sammenhengen mellom reiseaktivitet og 	økonomisk vekst	, virker 	
det	 å være en viss konsensus for at økt økonomisk vekst er en driver for 	reiseaktivitet. Som TØI selv 	
finner i sine litteraturstudier 	viser 	studier fra Storbritannia en klar sammenheng mellom 	endring i BNP 	
per innbygger og reiser med tog. 	Selv om studier fra 	Storbrit	annia ikke nødvendigvis er overførbare til 	
Norge støtter vi funnene i litteraturstudien og 	vurderingen om å benytte BNP per innbygger som en 	
driver for fremtidig vekst på jernbanen.	 	
De tre geografiske områdene/scenarioene 	har samme	 utgangspunkt i d	e samme geografiske områdene 	
som for befolkningsvekst. 	For befolkningsvekst argumenterte vi for å 	det ikke burde lages grove innde-	
linger i vekstmodellen, men at dette burde vært gjort på stasjonsnivå 	og helst med en «bottom	-up»	-	
beregning	 av vekst fremfor e	n generisk vekst som så skal fordeles. 	 	
I NOREG	-modellen er det	 fineste geografiske nivået kommune. Dette taler for at det er mulig å 	etablere 	
baner for økonomisk vekst per kommune og koble dette til stasjon	(er) i kommunen. 	Det burde også 	
være 	en 	mulig	het	 å fordele veksten per kommune ned på grunnkrets ved å benytte samme fordeling 	
som 	sonedataene for befolkning i RTM.	 	
3.3	 	Tilbudsdata, tidsverdi og 	generaliserte reisekostnader (	GK	) 	
Tilbudsdata, tidsverdier og generaliserte reisek	ostnader (GK) brukes i fordelingsmodellen for å repre-	
sentere konkurranseflater mellom tog og bil	 (Transportøkonomisk Institutt, 2020, s. 12)	. Dataene inngår 	
ikke 	ved beregninger i forbindelse med scenarioanalysene av endr	ede	 konkurranseflate	r i vekstmodel-	
len. 	I tilbudsdataene brukes «Level	-of-service	-matriser»	 (LoS) for alle togstasjonsrelasjoner i Norge. I 	
disse inngår 	kostnader som ombordtid, ventetid og byttetid på togreiser, billettkostnader, reise	kostna-	
der 	med bil	 (rei	setid og 	-avstand	 samt bom	- og fergekostnader	). LoS	-matrisene for 	tilbudsataene for bil 	
er hentet fra NTM 	(Transportøkonomisk Institutt, 2020, s. 13)	. De relasjonsvise 	LoS	-matrisene brukes til 	
å lage 	GK	-matriser som 	representerer	 konkurranseflatene mellom 	tog og bil.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 202	1/34	 	28	 	
 
En test viser at 	bruken av 	LoS	-dataene 	gir sterk fordeling av veksten	, med 	effek-	
ter	 som kan være vanskelige å tolke for brukeren	 	
Vi 	har gjennomført en test fo	r å se hvordan bruken 	av 	disse dataene påvirker resultatene i fordelings-	
modellen.	 I testen har vi benyttet 	de samme stasjonene og referansetrafikk som i eksempelet 	med be-	
folkningsdataene	 (Tabell	 3.2), det samme markedsområdet (Oslo/Viken)	 og de samme referanse	- og 	
prognoseårene (2020 og 2050	). 	
Vi har kjørt to ulike tester	; en hvor økonomisk vekst er satt til 1 	i hele perioden (nullvekst)	 og en med 	
den 	banen for økonomisk vekst som 	ligger i modellen	 Grunnen til dette er at fordelingsmodellen justerer 	
tidsverdiene (kostnaden ved reisetid) med vekstratene for økonomisk vekst. For å isolere effekten 	av 	
dette gjøres 	testen i t	o steg. Den første sammenligner 	effekten av å kjøre modellen med og uten 	kon-	
kurranseflateindeksen	, og den andre 	ser på effekten av å 	innføre økonomisk vekst som påvirker 	forde-	
lingseffektene av konkurranse	flateindeksen	. 	
Stasjonene har 	LoS	-data som presentert i 	Tabell 	3.8.8 	
Tabell 	3.8: 	LoS	-data: Reisetid med tog	, minutter	 	
 	Reisetid, tog	, 	
minutter	 	
Reisetid bil, 	
minutter	 	
Distanse, bil, 	
km	 	
Takster, tog	, 2018kr	 	Reisekostnader, 	
bil, 2018	-kr 	
Oslo S	-Moss	 	69,17	 	42,62	 	58,75	 	152,07	 	38,58	 	
Oslo S	-Lillestrøm	 	32,17	 	17,98	 	21,00	 	54,46	 	20,50	 	
Oslo S	-Drammen	 	56,07	 	30,69	 	43,04	 	112,00	 	28,94	 	
Lillestrøm	-Drammen	 	69,17	 	46,31	 	63,76	 	158,23	 	49,44	 	
Lillestrøm	-Moss	 	96,82	 	53,28	 	77,46	 	196,25	 	59,08	 	
Drammen	-Moss	 	122,93	 	59,99	 	76,33	 	242,49	 	18,09	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Effekten av LoS	-dataene 	uten økonomisk vekst	 	
I denne første delen av testen ønsker vi å se hvordan 	(de normaliserte)	 fordelings	faktorene påvirkes av 	
om LoS	-dataene er sk	rud	d på	 eller ikke. Vi kjører modellen med fordelingsmodell først med 	kalibrerings-	
faktoren	 for 	konkurranseflateindeks 	(α_K	h,s) satt til 0. Dette skrur i praksis av den delen av fordelings-	
modellen som	 benytter LoS	-dataene. 	Vi fokuserer på fordelingsfaktorene for arbeidsreiser,	 men analy-	
sen kunne like gjerne vært gjort med fritid	- eller tjenestereiser. 	 	
For å kunne sammenligne 	størrelser	 direkte 	viser vi her frem 	de normaliserte	 fordelingsfaktorene	 (NF)	, 	
som 	følger	 av om konkurranseflateindeksen er påskrudd eller ikke. De normaliserte fordelingsfaktorene 	
er de 	faktorene	 som multipliseres med 	den generiske veksten fra vekstmodellen for å danne den for-	
delte relasjonsvise veksten. 	 	
 	
8 Når LoS	-dataene brukes i	 modellen omgjøres inndata på togrelasjonsnivå 	til symmetriske data for relasjonen ved å ta gjen-	
nomsnittet av tallene på relasjonen. Dette skyldes av noen av LoS	-dataene er ulike avhengig av retningen på relasjonen. 	
For stasjonene vi bruker er ikke avviken	e særlig store, så vi viser dem 	her frem som de ligger i inndataene.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	29	 	
 
Tabell 	3.9: 	Absolutte fordelingsfaktorer, uten konkurranseflateindeks 	(α_K	h,s=0)	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	- 	0,95 	 	 	1,05 	 	 	0,94 	 	
Moss	 	 	0,95 	 	 	- 	 	1,09 	 	 	0,98 	 	
Lillestrøm	 	 	1,05 	 	 	1,09 	 	 	- 	 	1,08 	 	
Drammen	 	 	0,94 	 	 	0,98 	 	 	1,08 	 	 	- 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
De absolutte fordelingsfaktorene uten konkurranseindeksen er presentert i 	Tabell 	3.9.9 Merk at her	 er 	
fordelingsfaktorene like som i eksempelet der vi kun 	fokuserte	 på befolkningsvekst. 	Dette fordi det	 nå 	
kun 	er turattraksjonsindeksen som fører til fordeling. 	 	
Tabell 	3.10	: 	Absolutte fordelingsfaktorer, 	med	 konkurranseflateindeks 	(α_K	h,s=1) 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	- 	0,87 	 	1,13 	 	0,88 	
Moss	 	 	0,87 	 	- 	 	1,04 	 	0,94 	
Lillestrøm	 	 	1,13 	 	1,04 	 	- 	 	1,07 	
Drammen	 	 	0,88 	 	0,94 	 	1,07 	 	- 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Når vi skrur på konkurranseflateindeksen blir de absolutte 	fordelingsfaktorene	 som presentert i 	Tabell 	
3.10	. Dette skyldes at 	LoS	-dataene fra 	Tabell 	3.8, som genererer 	konkurranseflateindeksen	, får virke i 	
fordeli	ngsmodellen (	α_K	h,s=1). 	 	
Som vi ser	, har 	konkurranseflateindeksen relativt stor innvirkning på 	fordelingen mellom 	relasjonene	. 	
Relasjonen Oslo	 S-Lillestrøm tar en 	mye større andel av veksten for området når konkurranseflateindek-	
sen er 	med, sammenlignet med 	Oslo	 S-Moss og 	Oslo S	-Drammen. 	At 	denne	 relasjonen vokser 	virker 	
rimelig, da det er på denne relasjonen at konkurransekraften til tog 	versus bil	 trolig er best, s	ammenlig-	
net med de andre relasjonene. 	 	
Problemet	 med 	måten LoS	-dataene brukes i fordelingsmodellen er 	prinsipielt	. Skal en 	relasjon få vekst-	
faktorer som går utover den generiske veksten 	må veksten på andre relasjoner reduseres. Dette gjør at 	
virkningen av 	konkurranseflater 	blir veldig avhengig av hvilke 	tur	matriser som inngår i analysen	. Denne 	
avhengigheten mellom 	relasjonene 	fremstår 	svakt forankret. 	I vårt 	scenario vil 	kjøretid	- og kostnader	 	
med bil 	mellom Moss og Drammen 	kunne avgjøre om relasjonen Oslo S	-Lillestrøm får en vekst 	som er 	
høyere eller lavere enn den 	generiske	 veksten for markedsområdet	. Dette fremstår for oss som 	at det 	
er for 	sterkt 	samspill mellom 	LoS	-dataene, og de fordelte vekstfaktorene. 	 	
Som bruker av p	rognosemodellen kan det være vanskelig å 	forstå 	dette	. Det	 er uheldig	, siden	 valget av 	
hvilke relasjoner som inngår i 	tur	matrisene er avgjørende for 	hvordan veksten fordeles mellom 	
 	
9 Verdiene hentes fra arket med navn «Output_f_arbeid».

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	30	 	
 
relasjoner. Vår vurdering er 	at 	todelingen av modellen 	på dette punktet gjø	r at 	beregningene blir for 	
preget av å 	foregå i en «black box», hvor 	implikasjonene skjules i	 modelltekniske 	beregninger som er 	
konsistente med en logikk 	om fordeling av vekst som ikke 	er virkelighetsnær nok. Etter vårt syn er det 	
for mye avhengighet mello	m relasjonene som inngår i fordelingsmodellen. 	 	
Effekten av 	endringer i tidsverdiene (	LoS	-dataene 	endres 	med økonomisk 	
vekst	) 	
I denne testen har vi satt 	banen for økonomisk vekst tilbake til 	det den er 	i utgangspunktet.	 De absolutte 	
fordelingsfaktorene blir som presentert i 	Tabell 	3.11	. Forskjellen mellom 	disse	 absolutte fordelingsfak-	
torene 	de 	i Tabell 	3.10	, gir en indikasjon på effekten av 	å innføre økonomisk vekst 	i fordelingsmodellen. 	 	
Tabell 	3.11	: 	Absolutte fordelingsfaktorer, med konkurranseflateindeks 	(α_K	h,s=1)	 og økonomisk 	
vekst	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	- 	0,92 	 	 	1,09 	 	 	0,91 	 	
Moss	 	 	0,92 	 	 	- 	 	1,06 	 	 	0,99 	 	
Lillestrøm	 	 	1,09 	 	 	1,06 	 	 	- 	 	1,10 	 	
Drammen	 	 	0,91 	 	 	0,99 	 	 	1,10 	 	 	- 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Forskjellene 	i hvordan 	veksten fordeles mellom 	relasjonene	 er noe mindre 	når økonomisk vekst 	er med 	
i beregningene. 	Det kan 	se ut til at noe av den konkurranse	kraften som 	relasjonen Oslo S	-Lillestrøm 	
hadde i 	testen uten økonomisk vekst, reduseres når økonomisk vekst inkluderes. 	 	
Et annet 	interessant	 resultat 	finner vi ved å sammenligne størrelsene 	på 	den sammensatte 	konkurran-	
seflateindeksen 	(KF) 	med og uten endr	inger som drives av økonomisk vekst. 	Det gjøres i 	Tabell 	3.12	 og 	
Tabell 	3.13	. 	
Tabell 	3.12	: 	Konkurranseflateindeks	 (KF)	, uten økonomisk vekst	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	- 	0,91 	 	 	1,07 	 	 	0,93 	 	
Moss	 	 	0,91 	 	 	- 	 	0,95 	 	 	0,95 	 	
Lillestrøm	 	 	1,07 	 	 	0,95 	 	 	- 	 	0,98 	 	
Drammen	 	 	0,93 	 	 	0,95 	 	 	0,98 	 	 	- 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Uten økonomisk vekst 	er situasjonen at konkurransekraften 	til tog er 	svekket på alle relasjoner 	bortsett 	
fra OD	-paret Oslo S	-Lillestrøm.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	31	 	
 
Tabell 	3.13	: 	Konkurranseflateindeks (KF), med økonomisk vekst	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	- 	0,86 	 	 	0,91 	 	 	0,85 	 	
Moss	 	 	0,86 	 	 	- 	 	0,86 	 	 	0,90 	 	
Lillestrøm	 	 	0,91 	 	 	0,86 	 	 	- 	 	0,90 	 	
Drammen	 	 	0,85 	 	 	0,90 	 	 	0,90 	 	 	- 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Med økonomisk vekst	 har alle relasjone	ne 	en klar svekk	else	 av konkurransekraften sammenlignet med 	
bil. 	Den 	eneste 	variabelen 	driver	 som 	forskjelle	n mellom de to tabellene er 	betydningen av 	økonomisk 	
vekst	, og hvordan den endrer 	konkurranseflatene. Siden økonomisk vekst gjør at tidsverdiene i modellen 	
øker, taper 	tog konkurransekraft sammenlignet med bil, når det er positiv økonomisk vekst. 	 	
Merk at dette resultatet 	er fremkommet uten at vi har innført noe scenario for endret konk	urransekraft	. 	
Det er bruken av 	LoS	-dataene (og interaksjonen med økonomisk 	vekst	) som gjør at 	tog	reiser får svekket 	
konkurransekraft mot bil	. Dette betyr at det i 	referansescenarioet 	for prognosemodellen ligger en 	relativ 	
tilbakegang for konkurransekraften	 til tog, gitt at økonomisk vekst er positiv. 	 	
Vurdering av datakvalitet	 	
Tilbudsdataene for tog er hentet 	fra Trenklin. Vår vurdering er at dette er hensiktsmessig, 	da en alter-	
nativ kilde ville skapt unødvendig forskjell mellom modellene for persontogtrans	port. 	 	
Tilbudsdataene	 for bil hentes fra NTM/RTM. 	Metoden med å hente ut 	hvilket NTM	6-delområde 	alle 	
togstasjonene ligger innenfor 	og beregne 	tilbuds	data for bil	 (reiseavstander, tidsbruk og bom	- og ferge-	
kostnader)	 er etter vår vurdering god. 	Dataene i NTM baserer seg på kjennetegn ved transporttilbudet 	
på en gjennomsnittlig virkedag, som egner seg godt i en 	modell som dette. 	Det er	 også	 konsistent	 at 	
prognoseverktøyet 	benytte	r samme 	data som 	de andre offentlige mode	llene.	 	
Det finnes 	dog 	alternativer 	kilder for å 	til bruk av 	NTM	6-dataene	 for å 	beregne 	LoS	-data	 for bil. Google 	
er 	et alternativ som kunne vært aktuelt. Etter vårt syn er det største problemet med dette at 	man da vil 	
kunne få et avvik knyttet til tilbudet	 på en 	gjennomsnittlig	 virkedag 	i prognosemodellen, 	sammenlignet 	
med de andre offentlige modellene. Videre vil det også skape utfordringer knyttet til transparens, da 
Googles algoritmer og beregningstekninger er hemmelige. NTM	6 er derimot veldokumentert, noe som 	
gir transparens. 	I tillegg kan bruken av Google gi vanskelighet	er knyttet til framskrivingen av 	transport-	
tilbudet, noe NTM	6 er godt egnet	 til.	 Tilgang på historiske data kan også bli en utfordring. 	Samlet vur-	
derer vi de	rfor datakvaliteten på tilbudsdataene 	for bil som god. 	 	
Opplevde («adferdsrelevante») kostnader ved bruk av bil hentes fra RTM. Økende elbilandel (med la-
vere opplevd kostnad) hensyntas.	 På samme måte som for data	ene for 	tilbuds	dataene	 for bil, vurderer 	
vi datakvaliteten på	 disse som 	god.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	32	 	
 
Vurdering av bruken av LoS	-dataene	 	
LoS	-dataene brukes kun i fordelingsmodellen. 	At det brukes så mange ulike typer data for å beregne GK	-	
matrisene 	tilfører en kompleksitet i fordelingsmodellen	, som etter vår 	vurdering,	 gir	 noen 	utfordringer. 	 	
At LoS	-dataene kun virker i fordelingsmodellen	, er 	etter vårt syn hovedproblemet med bruken av dem. 	
Eksemplene	 over viser 	bruken av LoS	-dataene i fordelingsmodellen 	endrer fordelingen av den generiske 	
veksten basert på LoS	-kjennetegn 	ved de stasjonene som inngår i matrisen. 	Vi synes denne	 avhengig-	
heten er for sterk. 	I eksempelet er 	LoS	-datene for 	relasjonen	 Moss	-Drammen 	sentrale	 for om relasjonen 	
Oslo S	-Lillestrøm får	 fordelt en vekst som er større eller mindre enn den generiske veksten for 	markeds-	
området	. Vi vurderer dette som 	urimelig	. 	
Samtidig som vi synes LoS	-datene driver fordelingen i modellen på en for sterk måte, er det også vans-	
kelig for brukeren å 	dekomponer	e LoS	-data	elementene som driver fordelingen. I dokumentasjonen er 	
det godt argumentert for at de 	elementene	 som er tatt med i genereringen av GK	-matrisene er viktige	 	
og relevante for å representere konkurranseflatene	. Vi langt på veg enige i 	disse vurderin	gene	. Men	 	
måten dette brukes på i fordelingsmodellen gjør at	 det er veldig mange effekter som virker samtidig 	
(ombordtid tog, ventetid tog, byttetid tog, billettkostnader med 	rabattfaktor, reisetid bil, avstand bil, 	
bom	- og fergekostnader, elbilandel	 og ti	dsverdier som avhenger av økonomisk vekst	). Dette gir	 modell-	
tekniske resultater	, som kan 	gjøre det vanskelig å forstå hva som er driveren i den fordelingen som 	
skapes grunnet konkurranseflatene i modellen.	 	
Dersom Lo	S-dataene derimot ble brukt i en 	modell med «bottom	-up»	-tilnærming	 ville	 den samlede 	
veksten også bero på	 effekter som skyldes konkurranseflatene	, og 	ikke være «	låst» 	før LoS	-datene blir 	
brukt	. Da ville LoS	-dataene vært med på å generere veksten, ikke bare fordele den. 	Dette ville gitt en	 	
generelt dempende effekt på 	etterspørselen etter 	persontogreiser	, fordi effekten av økonomisk vekst 	
endrer tidsverdiene slik at togreiser får svekket konkurranseflate	 (se eksempelet over). 	 	
I en slik modellering kunne 	de enkelte 	LoS	-dataene i større grad	 vært brukt for en direkte 	modellering 	
av 	scenarioanalyser. 	Tilbudsdataene kunne 	dermed	 vært 	gjenstand for 	enkeltvise 	scenarioanalyser	, som 	
endring i 	bom	- og fergekostnader	, endring i elbilandel	en 	eller 	billettkostnadene for togreiser.	 Dataene	 	
for dette	 finnes	, men modellstrukturen med 	en overordnet generisk vekst og kun bruk av LoS	-data i 	
fordelingsmodellen står i veien for 	å bruke LoS	-da	taene til	 slike analyser	. 	
Et 	noe 	mindre poeng knyttet til bruken av LoS	-dataene	, er at de	 kun er 	fastsatt 	for to av årene i modellen	 	
(2018 og 2030	). For referanse	- og 	prognoser	 mellom 2018 og 2030 er det lineært interpolerte verdier 	
mellom disse årene som benyttes. 	Dette 	er en rimelig forenkling. 	Dersom referanse	- og/eller prognoseår 	
derimot er etter 2030 er d	et verdiene for 2030 som benyttes. Dette kan i praksis føre til at 	noen variabler 	
som påvirker relevante GK	-verdier	, og som er kjent for oss i dag,	 overses	 i modellen	. Et eksempel på 	
dette er bom	penge	innkreving	 som 	er planlagt avsluttet etter 2030.	 En løsning på dette vil være å fast-	
sette LoS	-dataene for 2050 og interpolere mellom 2030 og 2050 når referanse	- eller prognoseår ligger 	
mellom disse to årene. 	 	
3.4	 	Arbeidsplassdata	 	
Arbeidsplassdataene som 	kan 	brukes i modellen er	 et datasett etablert for RTM	23+	, hvor det både ek-	
sisterer datasett for 	dagens situasjon 2020 og prognoser frem til 2060	. For dagens situasjon er det be-	
nyttet virksomhetsdata per oktober 2019	, men	s det for framskrivingene 	er benyttet utbyggingsplaner 	
og næringsanslag fra kommunene	. De	tte datasettet er beskrevet som å kun foreligge for Oslo/Akershu	s,

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	33	 	
 
se 	(Transportøkonomisk Institutt, 2020, s. 16)	. Vi forstår det likevel som at det foreligger for hele	 23+ 	
området som også har i seg randsonene rundt Oslo/	Akershus	 noe som også stemmer med 	hvilke ar-	
beidsplassdata som ligger tilgjengelig i modellen	. 	
På lik linje som for befolkningsdata etableres det e	t vektet 	arbeidsplassdatasett 	med utgangspunkt i det 	
overnevnte datasettet. 	Influensområdet til arbeidsplasse	r er en del lavere enn for befolkning	sdata og 	
er begrenset til 20	km. Vektene som inngår i etableringen er gjengitt i	 	
Tabell 	3.14	: 	Vekter som brukes for indeksberegningen av arbeidsplasser	 	
Distanse D fra grunnkrets til stasjon 	 	Brukt vekt 	 	
D < 1 km 	 	1 	
D ≥ 1 km og D < 2 km 	 	0,9 	 	
D ≥ 2 km og D < 3 km 	 	0,7 	 	
D ≥ 3 km og D < 5 km 	 	0,5 	 	
D ≥ 5 km og D < 10 km 	 	0,3 	 	
D ≥ 10 km og D < 20 km 	 	0,1 	 	
D ≥ 20 km 	 	0 	
Kilde:	 	Transportøkonomisk institutt 	(2020, s. 17)	 	
Arbeidsplass data	ene er brukt utelukkende i fordelingsmodellen	 og 	skaper	 derfor ingen vekst i seg selv, 	
men gir 	økt attrahering til 	stasjoner som så benyttes til å gi en 	fordeling av den generiske veksten i 	
modellen.	 Vi viser dette med å utvide eksempelet vi viste i	 kapittel	 3.1	 gjennom 	Tabell	 3.2 til 	Tabell 	3.5. 	
I eksem	pelet er økonomisk vekst 	tatt vekk og 	effekter av LoS	-data 	sett vekk fra, dette for å isolere hv	or-	
dan effekten av arbeidsplassendringer spiller sammen med befolkning. 	Vi ser kun på reisesegmentet 	
arbeidsreiser.	 	
I Tabell 	3.15	 ser vi hvordan attraheringsindeksen 	etableres med utgangspunkt i arbeidsplas	sendringer 	
for de ulike togstasjonene. 	Vekstfaktorene for hver togstasjon er 	rimelig forskjellig fra det vi så for be-	
folkning i 	Tabell	 3.3, Lillestrøm har 	fremdeles betydelig høyere vekst enn andre stasjoner,	 og Oslo er nå 	
en av de stasjonene med høyest vekst. På den andre siden er prognosene 0	-vekst 	for arbeidsplasser i 	
Drammen	. 	
Tabell 	3.15	: 	Attraheringsindeks kun arbeidsplassendring	 	
1,1	46 	Arb_vekst	 	1,1	7 	1,05 	1,2	9 	1,00 	
Arb_vekst	 	 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
1,1	7 	Oslo S	 	 	 1,2	2 	 1,51 	 1,17 	
1,05 	Moss	 	 1,2	2 	 	 1,35 	 1,05 	
1,2	9 	Lillestrøm	 	 1,51 	 1,35 	 	 1,29 	
1,00 	Drammen	 	 1,17 	 1,05 	 1,29 	 	
Kilde:	 	Prognosemodellen, versjon 1_1

Jernbanedirektoratets prognosev	erktøy	 	
 	
Vista Analyse	 | 2021/34	 	34	 	
 
Attra	herings	indeksen i 	Tabell 	3.15	 multipliseres 	så med 	attraheringsindeksen for befolking 	i Tabell	 3.3 	
og skaper sammen	 attraheringsindekse	n som brukes til fordeling	 i Tabell 	3.16	.10 	
Tabell 	3.16	: 	Turattraksjonsindeks befolkning og 	arbeidsplasser	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 - 	 1,53 	 	 2,10 	 	 1,46 	 	
Moss	 	 1,53 	 	 - 	 1,94 	 	 1,35 	 	
Lillestrøm	 	 2,10 	 	 1,94 	 	 - 	 1,85 	 	
Drammen	 	 1,46 	 	 1,35 	 	 1,85 	 	 - 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Vi ser av tabellen over 	at variasjonen i attraksjonsindeksen har økt betydelig fra eksempelet 	hvor vi kun 	
så på befolkningsvekst. 	Det	 er den samme mengden attraksjonsindeks	en normaliseres mot, som er re-	
feransetrafikken, slik at 	den økte variasjonen gir 	seg fullt utslag i fordeling av vekstfaktoren på 1,173.	 Vi 	
ser resultatet i 	Tabell 	3.17	 under.	 	
Tabell 	3.17	: 	Resultat vekstfaktor per OD	-par	 	
1,173	 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	 1,01 	 	 1,38 	 	 0,96 	 	
Moss	 	 1,01 	 	 	 1,28 	 	 0,89 	 	
Lillestrøm	 	 1,38 	 	 1,28 	 	 	 1,22 	 	
Drammen	 	 0,96 	 	 0,89 	 	 1,22 	 	 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Vi ser nå at vekstfaktorene tilknyttet Lillestrøm er ytterligere forsterket, mens Dr	ammen nå får negativ 	
utvikling i tilknytning til andre stasjoner enn Lillestrøm. 	Oslo S 	– Moss for også omtrent 0	-vekst i perio-	
den. 	 	
Vurdering av 	arbeidsplassdata	 	
Vi har ikke lykkes å finne andre kilder til arbeidsplassdata	 og vekstprognoser i disse	 på et like fint nivå	 	
enn de som benyttes fra RTM23+.	 Hvor god kvalitet det er på de prognosene	 som foreligger 	er mer 	
usikkert	. S	lik vi forstå	r det baserer de seg på en sammenstilling av 	kommunenes egne prognoser 	for 	
utbyggingsplaner og 	næringsanslag. Denne type data er typisk mer sikker på kort sikt enn på lang sikt, 	
og det vil 	garantert være forsk	jeller fra kommune til kommune hvor 	langsiktige arealplanene er. 	Vi ser 	
for eksempel at enkelte stasjoner som 	historisk har hatt en positiv utvikling 	i arbeidsplasser får 	svært 	
lave prognoser i dette datasettet. 	For eksempel 	Drammen, 	Moss, Asker og Eidsvol	l har	 svært lav utvik-	
ling i arbeidsplasser i perioden 2020	-2050. 	Det er også tilfeller med ekstremt høy og sv	ært høy vekst 	
som Darbu	, Hauerseter	 og Lindeberg	. D	ette trenger ikke 	å ha	 stor betydning siden antall arbeidsplasser 	
 	
10 I praksis skjer beregningen i motsatt rekkefølge, hvor den relative endringen i arbeidsplasser multipliseres med den 	relative 	
endring i befolkning, men det er satt opp i denne rekkefølgen for å vise betydningen arbeidsplasser har isolert før den 
multipliseres med befolkning. Det har ingen påvirkning på resultatene hvilken rekkefølge man multipliserer.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	35	 	
 
rundt disse stasjonene er relativt lavt. 	Grorud og Alna har derimot	 relativt mange arbeidsplasser i de 	
vektede tallene rundt stasjon og en svært høy vekstfaktor fra 2020	-2050 	på 	2,62 og 2,51	. 	
Metoden til TØI	, for	 hvordan de vekter 	arbeidsplasser 	har trolig de samme svakhetene som vi nevnt 	
under 	vurderingen av befolkningsdata. 	Det er spesielt i områder med en høy tetthet av togstasjoner og 	
hvor enkelte togstasjoner har 	en annen funksjon enn øvrige at metoden	 trolig	 blir for generisk	. Det bør 	
gjøres et dypdykk for å se hvordan arbeidsplassveksten fordeles til de ulike stasjonene 	rundt Oslo S for 	
å få et mer nøyaktig bilde av 	metodens 	fortreffelighet. 	 	
Alt i alt vurderer vi at 	arbeidsplassdataene er mer usikre enn de	 øvrige inndataene	. Det er også en svak-	
het at d	ataene	 kun eksi	sterer for 	RTM23+ området	. 	
Vurdering av bruken av arbeidsplassdata	 	
Måten arbeidsplassdata blir brukt i modellen 	lager store fordelingsvirkninger og skeivheter	 i vekst mel-	
lom de ulike OD	-parene. Dette har også blitt påpekt av Jernbanedirektoratet	 gjennom egentesting av 	
modellen se 	(Jernbanedirektoratet, 2020)	. Løsningen på problemet ble å sette 	arbeidsplasselastisite-	
tene til 0	, som i	 praksis er å slå av 	bruken av dataene.	 	
Slik vi ser det er det tre årsaker til at 	det skaper for store fordelingsvirkninger.	 	
• 	Hvordan 	attraheringsverdiene 	for arbeidsplasser genereres	, ref	. Tabell 	3.15	 	
• 	Mult	iplisering av attraheringsverdier mellom arbeid og 	befolkning, ref. 	Tabell 	3.16	 	
• 	Begrenset området for vekstprognoser	 	
Det første prob	lemet med 	hvordan attraheringsverdiene for arbeidsplasser 	genereres er mulig å av-	
dempe med å endre på 	arbeidsplasselastisiteten. 	Bruker man for eksempel en elastisitet på 0,5 er det i 	
praksis det samme som å ta et geometrisk gjennomsnitt av vekst	faktorene for arbeidsplasser mellom to 	
stasjoner.	 	
Det andre problemet er 	at denne 	attraheringsverdien multipliseres med attraheringsverdien 	for befolk-	
ning.	 Dette 	øker ytterligere variasjonen i dataene. 	Det ligger ikke til rette for å gjøre noe med 	dette uten 	
å endre spesifiseringen av modellen	, men mulighetene for å gjøre dette er relativt enkle	. Her kunne 	
man sett for seg å vekte 	attraheringsindeksene 	basert på sonebefolkning og sonearbeidsplasser 	for å 	
generere et snitt	 av 	generering og attraherin	g, en slik tilnærming ville gitt et mer tolkbart resultat.	 	
Problemet med 	et begrenset området for vekstprognoser 	er at det skaper modelltekniske resultater 	
dersom	 modellen kjøres for et større område enn 	området med vekstprognoser. 	En slik kjøring vil skap	e 	
omfordelingen til det området som har arbeidsplassprognoser	. Dersom man ønsker å benytte arbeids-	
plassprognosene i modellen bør man altså begrense område for analysen til 	RTM23+ område.	 	
3.5	 	Flyplass	 og turistnæring	 	
Som følge av at enkelte stasjoner 	har spesie	lle egenskaper, herunder å være tilbringer til flyplass, eller 	
være preget av å være turistdestinasjoner, 	er det gjort 	egne	 vurderinger av disse markedene. 	Basert på 	
et enkelt	 datasett	 er det 	definert hvilke stasjoner som er 	flyplassmarkeder og hvilke som er turistmark-	
eder	.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	36	 	
 
Det er laget scenarioer for vekst i flyplassmarkedene og for turistmarkedene 	i vekstmodellen, men 	de 	
ulike vekstscenarioene er satt 	lavt da 	de ikke er forventet å påvirke den totale veksten nevneverdig	 	
tota	lt sett.	 	
I fordelingsmodellen spiller de ulike markedene en større rolle. 	De ulike markedene er gjengitt i 	Tabell 	
3.18	. 	
Tabell 	3.18	: 	Stasjoner som er definert som flyplassmarked eller turistmarked	 	
 	Flyplass	 	Turisme	 	 	Flyplass	 	Turisme	 	
Oslo lufthavn	 	1 	 	Mjølfjell stasjon	 	 	1 	
Torp stasjon	 	1 	 	Myrdal stasjon	 	 	1 	
Trondheim lufthavn	 	1 	 	Oppdal stasjon	 	 	1 	
Bjorli stasjon	 	 	1 	Otta stasjon	 	 	1 	
Finse stasjon	 	 	1 	Rena stasjon	 	 	1 	
Flå stasjon	 	 	1 	Ringebu stasjon	 	 	1 	
Geilo stasjon	 	 	1 	Røros stasjon	 	 	1 	
Gol stasjon	 	 	1 	Upsete stasjon	 	 	1 	
Grua stasjon	 	 	1 	Ustaoset stasjon	 	 	1 	
Hallingskeid stasjon	 	 	1 	Vaksdal stasjon	 	 	1 	
Haugastøl stasjon	 	 	1 	Vieren	 stasjon	 	 	1 	
Hjerkinn stasjon	 	 	1 	Voss stasjon	 	 	1 	
Hunderfossen stasjon	 	 	1 	Ørneberget stasjon	 	 	1 	
Kongsvoll stasjon	 	 	1 	Ål stasjon	 	 	1 	
Ljosanbotn	 	 	1 	Åndalsnes stasjon	 	 	1 	
Meråker stasjon	 	 	1 	 	 	 	
Kilde:	 	Transportøkonomisk institutt 	(2020, s. 18)	 	
I fordelingsmodellen gis 	stasjonene i flyplass	- og turistmarked	ene	 en attraheringsverdi 	som er relativt 	
høy 	slik at man skal oppnå ønskede 	effekter på endring i attraksjon	sindeksen for stasjoner i de ulike 	
markedene. 	 	
Vurdering av datakvalitet	 	
Inndataene er her 	kun en spesifisering av hvilke stasjoner som inngår i hvilke markeder. 	For flyplassmar-	
kedene er det rimelig treffsikkert hva man ønsker å modellere, de stasjonene so	m er definert opp er 	
relativt homogene 	flyplassmarkede	r og en særbehandling synes fornuftig. 	Det finnes andre stasjoner i 	
Norge som også betjener flyplasser	 nært stasjonen	, som	 for eksempel	 Bodø, Røros, 	Bergen og 	Sandnes. 	
Disse er stasjonene er likevel ik	ke homogene flyplassmarkeder, slik sett er de som er pekt ut mer natur-	
lige å 	spesialbehandle.

Jernbanedirektoratets p	rognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	37	 	
 
For 	stasjonene som er satt opp som turistmarkeder er det litt mer uklart hva man ønsker å modellere. 	
En må egentlig starte med å spørre seg hva er turisme, er de	t det å dra et sted, bo på hotell og oppleve 	
en 	aktivitet eller opplevelse	? Eller er det å dra til hytten sin, eller 	som utfart for en tur i bynær mark? 	
Alle disse kategoriene kan jo defineres som turisme, 	men de har åpenbart ulike drivere. Hyttemarke-	
dene 	drives av utbygging av hytter, hotell og opplevelser drives av at noen skaper muligheter på stedene 	
enten i form av nye overnattingsplasser, eller 	nye aktiviteter som er attraktive og turismen ønsker å 	
oppleve. Turene i skogsnær mark er 	mer avhengig av hol	dningsendringer og de	n generelle veksten i 	
befolkning. 	Det skilles heller ikke på innenlandsk og utenlandsk turisme	, for eksempel er det stor sann-	
synlighet for en utenlandsk turist å dra til 	Myrdal/Fl	åm, mens det er lite sannsynlig at Grua bli en 	desti-	
nasj	on av betydning 	for utenlandske turister 	med det første.	 	
I datasettet er det en god miks av ulike 	typer turistmarkeder	. Enkelte stasjoner er det 	mindre homogene 	
turistmarkeder, som Voss	, Grua	 og Vaksdal	 som har en del pendlertrafikk	. Voss er riktig nok en	 viktig 	
turistdestinasjon ogs	å. Slik sett er det 	kanskje rimelig at Voss er en slik destinasjon, men da burde kan-	
skje storbyene også vært med på listen, ettersom disse har et høyt innslag av turisme	, spesielt i sesong.	 	
Det er også en del stasjoner som ikke	 nødvendigvis er utpregede turistdestinasjoner, som Rena med 	
høy andel militærtrafikk	 og ellers ett tettsted	. 	
Vi vurderer 	at 	det er rimelig å klassifisere enkelte stasjoner som har 	andre typer drivere enn 	befolknings	- 	
og økonomisk vekst, 	men det bør komme k	larere frem hva man ønsker å modellere av type turisme og 	
det bør ligge til grunn noen kriterier for hvorfor stasjonene er valgt.	 	
Vurdering av bruken av 	flyplass og turistmarked	 	
I vekstmodellen er de ulik	e scenarioene for vekst lik i 	de ulike vekstscen	arioene/geografiske markedene. 	
Her bør det gjøres en avstemming med reisematrisene for å s	e hvor mye de ulike markedene har av 	
betydning for vekst	, dvs. hvor stor andel av markedet disse stasjonene som er def	inert utgjør av totalen. 	
For eksempel er Oslo lufthavn betydelig større enn de andre lufthavnene, det kan da være naturlig at 
vekstscenarioene er høyere for Oslo/Viken enn Nasjonalt gjennomsnitt	. Det er også mulig at vekstsce-	
narioene kan være høyere for 	Fjerntog siden flyplassene fungerer 	som huber for internasjonal turisme	. 	
De	n samme vurdering	en	 gjelder for turistmarkeder	; de fleste av destinasjonene 	som er definert som 	
turistmarked 	betjenes med	 fjerntog	. D	et vil da være naturlig at vekstscenarioene har me	r påvirkning på 	
dette vekstscenarioet enn på de andre.	 	
En mulighet hadde	 også	 vært 	å dele inn i ulike typer turistmarkeder. Da kunne en også 	hatt med en del 	
stasjoner på Sørlandsbanen som fungerer som tilbringer til sørlandskysten	 og hyttemarkedet der	. 	
NB	! Slik modellen er spesifisert 	vil en økt attraheringsverdi for turistmarkedene føre til at det blir størst 	
omfordeling til 	OD	-par med turistmarked til turistmarked, dette er nok en uheldig konsekvens av hvor-	
dan fordelingsmodellen er 	spesifisert.	 	
3.6	 	Tur	matriser	 	
Turmatrisene som har vært brukt i oppbyggingen av modellen og som Jernbanedirektoratet 	benytter i 	
sine analyser er 	turmatriser som viser det totale antall togreiser i løpet av et år, fordelt på toglinjer og 	
stasjonsrelasj	onsnivå. D	isse er etablert base	rt på uttak fra billettstatistikk, samt bearbeiding av av	- og

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	38	 	
 
påstigninger i områder hvor den vanlige billettstatistikken ikke er tilstrekkelig. Bea	rbeidingen 	resulterer 	
i tre 	turmatriser 	per linje:	 	
• 	Interntrafikk, reiser mellom 	stasjoner som ligger langs den utvalgte linjen	 	
• 	Eksterntrafikk, reiser mellom to stasjoner hvor en stasjon ligger på den aktuelle linjen, mens den 
andre stasjonen ligger langs en annen linje	 	
• 	Gjennomgående trafikk, reiser mellom stasjoner på andre linjer	 	
De 	landsdekkende matrisene antar vi 	er utarbeidet av togoperatørene	. Selv om det ikke kommer helt 	
tydelig frem	, antar vi at 	segmenteringen av de landsd	ekkende matrisene er gjort på lik linje som innde-	
lingen i Trenklin, som	 igjen benytter en reisehensiktsmodell utviklet av TØI.	 	
Turmatrisene 	benyttes som referansetrafikk	 i modellen	. Det er disse veksten genereres på, og 	skaper 	et 	
scenario for fremtidig re	isemønster.	 I modellen 	benyttes referansetrafikken til å normalisere fordelings-	
faktorene i fordelingsmodellen. 	Uten 	referansetrafikk ville fordelingsmodellen gitt like stor vekt til en 	
liten stasjon som en stor stasjon, og 	resultatene i fordelingsmodellen 	ville ikke gitt 	noen tolkbare resul-	
tat. 	Det er altså helt avgjørende for bruk av fordelingsmodellen at 	referansetrafikken er 	korrekt om 	
resultatene skal h	a tolkbare effekter. Det vel å merke mulig å kjøre modellen uten referansetrafikk, men 	
da bør man alts	å slå av fordelingsmodellen.	 I et slikt 	tilfelle vil alle OD	-par få den generiske veksten fra 	
vekstmodellen.	 	
Vurdering av 	datakvalitet	 	
Vi har ikke hatt tilgang til 	turmatriser 	når vi har vurdert modellen, dette har heller ikke vært nødvendig	, 	
bortsett fra at eksempelet vi har latt gå igjen har hatt behov for 	et fiktivt reisemønster. 	Utfra beskrivel-	
sen av hvilke data som har vært tilgjengelig for TØI 	vurdere	r vi at de landsdekkende matrisene 	er 	det 	
beste som er tilgjengelig	. Det er mulig å ta 	ut matriser fra de 	offentlige modellene, men kvalitetene på 	
disse dataene er kjent som dårlig for 	spesifikke 	modaliteter av kollektivtransport. 	 	
Vi ser ikke helt hvordan eksternmatriser	 og gjennomgående trafikk skal 	få en prognose i dette ramme-	
verket, men	 dette problemet er trolig neglisjerbart, eller 	mulig å løse ved å 	estimere	 en 	relasjonsmatrise 	
for disse reisene. 	 	
Det 	har ikke vært mulig å 	gjøre vurderinger av fordelingen av reisehensikter	. 	
Vurdering av bruken av 	tur	matrisene	 	
Gitt modellens 	spesifisering mener vi at t	urmatrisene brukes riktig. Det er avgjørende 	i en fordelings-	
modell at veksten til hvert OD	-par vektes riktig slik at man unngår resultater	 som ikke kan	 begrunnes 	
analytisk. Bruken sikrer altså at høy vekst på små OD	-par får 	mindr	e å si	, og skaper 	mindre	 «omforde-	
ling» av vekst.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	39	 	
 	
4	 	Parameterverdier	 	
I dette kapittelet gjennomgår vi 	parameterverdiene 	i modellen.	 Parameterverdiene avgjør hvilken 	stør-	
relse	 ulike virkninger	 i modellen	 har	. Vi beskriver hvordan 	parameterne	 fungerer	, størrelsene	 og even-	
tuelt 	hvilke implikasjoner 	disse	 gir	. Noen 	spesifikke 	vurderinger gjøres 	i forbindelse med gjennomgangen 	
av hver	 eksogen 	etterspørselsdriver	 og en samlet vurdering av 	parametersettingen gjøres til slutt.	 	
Først gjør vi vurderinger knytte	t til parameterne i vekstmodellen. 	Oppsummert vurde	rer vi	 at parame-	
ter	verdiene	 for 	økonomisk vekst 	bør	 settes basert på	 på norske studier	. Metoden for 	parametersetting	 	
av k	onkurranseflatene fremstår veldokumentert	. Parameterne for hjemme	kontor kunne tatt h	ensyn til 	
at 	økt hjemmekontor kan utløse flere fritidsreiser	. S	cenarioanalyser med tilbringertransport bør innfø-	
res 	uten	 globale effekter	 og 	scenarioene med endring i flyplass	- og turstimarkeder bør ha parametere 	
som hensyntar 	den potensielle betydningen innenfor det aktuelle segmentet	, og ikke innføres med glo-	
bale endringer	. 	
Videre gjør vi noen samlede vurderinger knyttet til parametersetting	en i vekstmodellen. Oppsummert 	
vurderer vi	 at 	alle scenarioanalyser bør ha navn som beskriver størrelsen på effekten i scenarioet, 	og	 at 	
ulik scenarioeffekt på tvers av markedssegmenter bør tydeliggjøres for brukeren	. Scenarioet for endret 	
generell konkurr	anseflate mot fly 	bør 	ikke ha et globalt influensområde	. Størrelsen på scenarioeffektene 	
bør være opp til brukeren og ny kunnskap bør føre til endring i parameterverdiene.	 	
Til slutt	 gjør vi vurderinger knyttet til 	parameterne	 i fordelingsmodellen. 	Vi argum	enterer her for	 at 	
kalibreringsparameterne burde vært satt lavere enn 1, for å dempe omfordeling	en	 som oppstår som 	
følge av den multiplikative spesifiseringen av veksten mellom OD	-par. 	 	
4.1	 	Vekstmodellen: 	Vurdering av 	parameterverdie	ne	 og bruk	en	 av 	dem	 	
Befolkningsvekst	 	
Effekten av befolkningsvekst på den samlede etterspørselen 	etter togreiser er 	implisitt satt til 1 for alle 	
geografiske 	segmenter, noe som innebærer at modellen antar en vekst i togreiser som er proporsjonal 	
med 	befolkningsveksten	 (Transportøkonomisk Institutt, 2020, s. 21)	. 	
Økonomisk vekst	 	
Parameteren for ø	konomisk vekst er 	spesifisert som en elastisitet	, og beskriver 	den relative endringen i 	
antall togturer gitt en relativ endring i økonomisk vekst 	(Transportøkonomisk Institutt, 2020, s. 21)	. Elas-	
tisitetene for økonomisk vekst er satt til 0,5 for fritidsreiser og 1 for arbeids	- og tjenestereiser. 	 	
Størrelsen på 	parameter	verdiene	 er 	basert på	 resultater	 fra ulike 	britiske studier	, skjønnsjustert basert 	
på	 at noen resultater er 	spesifikke	 for London, 	og at 	én av studiene ikke i tilstrekkelig grad 	hensyntok 	
avvik mellom 	datasettets vekst i husholdningsinntekt og 	husholdningenes inntekst	vekst i økonomien 	
generelt. 	Valgene som er tatt i forbindelse med elastisitetene for økonomisk vekst er 	gjennomgått i 	
detalj i dokumentasjonens vedlegg A	 (Transportøkonomisk Institutt, 2020, s. 53)	.

Jernbanedirekto	ratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	40	 	
 
Vår vurdering er at	 elastisitet	ene ideelt sett bu	rde vært basert på studier av det norske togmarkedet. 	Vi 	
har gjennomført noen enkle, ikke	-uttømmende	 litteratursøk 	etter 	norske studier av sammenhengen 	
mellom 	økonomisk	 vekst og etterspørsel etter togtjenester. Resultatet av litteratursøket ga ingen resul-	
tater. 	Gitt at det ikke finnes norske studier	, fremstår 	bruken av britiske studier 	som	 hensiktsmessig.	 I 	
fremtiden 	anbefaler vi	 at det gjennomføres studier 	av sammenhengen mellom økonomisk vekst og et-	
terspørsel etter tog	reiser i Norge. 	No	rdmenn kan i prinsippet 	ha en annen 	inntekts	elastisitet enn 	briter	 	
og	 det kan være forskjeller i ulike deler av Norge	. 	
Konkurranseflater	 	
Parameterne for konkurranseflater beskriver den relative endringen i antall togturer gitt endringer i 
konkurransedykti	ghet for bil, fly og buss og uttrykkes 	som en	 relativ økning i markedsandeler for trans-	
portmidlene	 (Transportøkonomisk Institutt, 2020, s. 21)	. 	
Effektene 	beregnes	 basert på kryssfaktorer	, som er en funksjon av 	relative	 markedsandeler og 	diver-	
sjonsfaktorer. 	Metoden 	er dokumentert i	 Flügel, Fearnly & Toner	 (2018)	, der estimerte 	modeller	 er gjort 	
med norske data	 for Oslo	-området	. 	
Etter vår vurdering	 er 	para	meterne for konkurranseflater 	svært 	godt metodisk og 	empirisk	 fundamen-	
tert. 	Forutsetninger i beregningene av 	diversjonsfaktorene er beskrevet i dokumentasjonens Vedlegg B. 	 	
Scenarioanalyser med endring i konkurranseflatene mot fly innføres globalt innenfor hvert geografiske 
segment. Dette ser vi forbedringsmuligheter ved, noe vi omtaler nærmere i kapittel 	6. 	
Bruk av hjemmekontor	 	
Parameteren beskriver den relative endringen i 	antall togturer, gitt en 	endring i nivået på bruk av hjem-	
mekontor	, implisitt 	regnet som	 at en andel 	av arbeidsreisene bortfaller som følge av 	økt 	utbredelse	 av 	
hjemmekontor 	(Transportøkonomisk Institutt, 2020, s. 21)	. 	
Eksempelet med hjemmekontor er beskrevet i kapittel	et om vekstmodellen (	0). For arbeidsreiser	 er 	
scenario	effekten 100 	prosent, altså endres antall arbeidsreiser med hele 	nivåendringen i 	bruken av 	
hjemmekontor	. For 	fritids	- og tjenestereiser er scenarioeffekten 	henho	ldsvis 40 og 60 prosent. 	 	
På fjerntoget er scenarioeffekten for 	arbeidsreiser satt til 80 prosent,	 mens	 fritidsreiser	 med fjerntoget 	
ikke påvirkes av scenarioer med endret bruk av hjemmekontor.	 	
Parameterne	 er 	satt rent skjønnsmessig	, og ikke fundamentert i noen empiriske studier eller andre da-	
takilder. 	 	
Vår 	vurdering 	er at det virker rimelig at scenarioeffekten ikke er l	ike sterk for tjenestereiser, som for 	
arbeidsreiser, men at antallet 	tjenestereiser	 med tog 	også vil 	reduseres når antall arbeidsreiser med tog 	
gjør det samme. Når det gjelder fritidsreiser vurderer vi dette som mindre tydelig. Økt 	bruk av hjemme-	
kontor utl	øser mindre tid 	brukt på	 reising generelt, noe som kan medføre økt reiselyst og 	ønske om 	
flere togreiser på fritiden. 	Vi merker oss at parameteren for fjerntogsegmentet 	er satt til 1, slik at antall 	
fritidsreiser ikke påvirkes av økt bruk av hjemmekontor. 	Vår vurdering er	 at det kunne vært vel så rimelig 	
å sette denne til over 1, slik at økt bruk av hjemmekontor utløser flere 	fritidsreiser	 med fjerntoget.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	41	 	
 
Tilbringertransport	 	
Parameterne for 	tilbringertransport beskriver den relative endringen i 	antall togturer gitt endringer i 	
kvaliteten på til	-/frabringerservicen til tog	 (Transportøkonomisk Institutt, 2020, s. 23)	. Reisetiden i til-	
bringertransport er en tilbudsvariabel i Trenklin, og dokumentasjonen understreker	 derfor at 	kvaliteten 	
i prognosemodellen bør tolkes som reduserte kostnader, økt komfort 	og fleksibilitet, men ikke ren frem-	
kommelighet. 	 	
Scenarioene som er 	implementert	 i prognosemodellen er «moderat» og «stor	» forbedring/forverring 	
av kvaliteten på	 tilbr	inger	transporten. 	I dokumentasjonen argumenteres det med at 	effekten av økt 	
kvalitet på tilbringertransporten vil være 	størst	 for de korte reisene. 	Parameterverdiene er derfor 	størst	 	
i markedssegmentet Oslo og Viken, der 	«stor» 	tilsvarer en 	økt 	sannsynlighet	 for å velge tog på 20 	pro-	
sent	 og 	«moderat» tilsvarer en økt 	sannsynlighet	 for å velge tog på 5 prosent. 	For nasjonalt gjennomsnitt 	
er effektene noe lavere (18 og 	4,5 prosent) og 	for 	fjerntoget 	enda	 lavere (	10 og 2,5 prosent).	 	
Parameterverdiene	 er like	 på tvers av reisehensikter innenfor hvert geografiske segment. 	 	
Parameterne er satt rent skjønnsmessig, og ikke fundamentert i noen empiriske studier eller andre da-
takilder. 	 	
Scenarioene for endringer i tilbringertransport innfører 	globale	 endring	er av tilbringertransporten for 	
alle reisende og 	alle stasjoner innenfor hvert markedsområde. Vi har et forslag til 	forbedring av scena-	
rioanalysene for tilbringertransport, som baserer	 seg på å utnytte de dataene som finnes i modellen i 	
dag. 	Forslaget er presentert i kapittel 	6. 	
Flyplass	marked	 og turistnæring	 	
Parameterne for endr	et utvikling i flyplass	markeder og turistnæring 	beskriver den relative endringen i 	
antall togturer 	gitt endringer i utviklingen av flytrafikk	 og innenlands turistnæring	. I vekstmodellen er 	
disse parameterne små	, og satt helt skjønnsmessig. 	Parameterne varierer noe mellom 	segmenter og 	
reisehensikter	. 	
Dokumentasjonen 	fremsetter 	noen	 argumenterer for	 hvorfor 	parameterne varierer mellom de geogra-	
fiske segmentene 	og	 på tvers av reisehensikter.	 I kapittel 	3.5	 diskuterer 	vi flere forklaringer på hvorfor 	
de geografiske segmentene 	i vekstmodellen 	kan ha ulik 	effekt av endringer i flyplassmarkeder og turist-	
næring	, og hvordan dataene	 kunne vært brukt for å hensynta dette	. Parametersettingen i vekstmodel-	
len kunne hensyntatt noen av poengene som gjøres i det kapittelet.	 	
Miljøbevissthet	 	
Parameterne for 	endret miljøbevissthet 	beskriver den relative endringen i antall togturer 	gitt 	endret	 	
miljøbevissthet i befolkningen. 	Scenarioene er «mye mer	/mindre miljøbevissthet» og 	«noe mer/mindre 	
miljøbevissthet» 	og effekten av disse scenariovalgene er ulike mellom reisehensiktene. 	For Fje	rntoget 	
er effektene størst	, på 20 og 5 prosent for henholdsvis 	«mye mer/mindre miljøbevissthet» og «noe 	
mer/mindre miljøbevissthet»	. For Oslo/Viken er tilsvarende tall 	16 og 4 prosent og for Nasjonalt gjen-	
nomsnitt er 	effektene henholdsvis 18 og 4,5 prosen	t. Dokumentasjonen argumenterer for at 	endret 	
miljøbevissthet vil ha 	mindre å si for 	korte reiser	, da det vil være en større overgang mot 	sykkel og andre 	
kollektivreise	former 	for korte 	enn for	 lange reiser.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	42	 	
 
Parameterverdiene	 er like	 på tvers av reisehensikter innenfor hvert geografiske segment	. 	
Parameterne er satt rent skjønnsmessig, og ikke fundamentert i noen empiriske studier eller andre da-
takilder. 	 	
Samlede vurderinger knyttet til parametersettingen i vekstmodellen	 	
Alle s	cenario	analysene 	bør	 ha	 navn som beskriver størrelsen på effektene	 	
Å modellere s	cenariovalgene 	som skalerer effekten 	fra befolkningsvekst og økonomisk vekst	 er 	et godt 	
utgangspunkt	 for å gjøre følsomhetsanalyser 	av framskrivingenes 	predikerte 	vekstfaktorer	 når	 det skjer 	
endringer i andre underliggende eksogene etterspørselsdrivere for togreiser.	 Scenarioet med endret 	
utbredelse av hjemmekontor 	er tydelig beskrevet 	i brukerinputen 	som 	«+/- 10	 %» eller «+/	- 50 %». 	Dette 	
gjelder også for endringer	 i konkurranseflatene. For 	scenarioene	 med 	tilbringertransport, flymarked, 	
turistn	æring og miljøbevissthet er det derimot ikke like 	tydelig hva 	scenario	analysene innebærer, da 	
beskrivelsen er angitt som «stor/moderat» og «mye/noe mer» etc.	 Vi anbefaler at	 alle 	scenarioanaly-	
sene	 får navn som beskriver størrelsen på 	effektene som innføres.	 	
Ulik scenarioeffekt på tvers av markedssegmenter bør 	tydeliggjøres for brukeren	 	
Flere av scenarioene har ulik effekt på tvers av markedssegmenter. 	Et eksempel	 er at 	effekt	en av økt 	
miljøbevissthet er større 	på Fjerntoget enn i 	Oslo/Viken 	og Nasjonalt gjennomsnitt.	 Dette kommer ikke 	
tydelig frem for brukeren	 når 	den	 spesifiserer scenarioet. I tilfellet med 	økt miljøbevissthet betyr «	mye 	
mer miljøbevissthet	» en 20 	prosents økning i vekst	faktoren	 på Fjerntoget, mens for 	Oslo/Viken 	betyr 	
det 	16	 prosents økning. 	Det	 finnes tilsvarende eksempler for	 flere 	scenarioer	. Vi anbefaler at man tyde-	
liggjør for brukeren 	hvilken scenarioeffekt 	som analyseres i de ulike	 scenariosp	esifikasjonene	, for de 	
ulike markedssegmentene. 	 	
Scenarioet for endret generell konkurranseflate mot fly 	bør	 ikke ha et globalt influensom-	
råde	 	
Slik vekstmodellen er spesifisert i dag gir scenariovalget for endring av generell konkurranseflate mot 
fly påvir	kning på togreisene globalt for hele det aktuelle markedsområdet. I virkeligheten vil mange rei-	
serelasjoner aldri påvirkes av en generell endring i konkurranseflaten mellom tog og fly. Det er kun de 
relasjonene hvor fly faktisk er et reelt alternativ til t	og at endring i konkurranseflaten vil gi utslag i reise-	
middelvalget. 	 	
Å generere veksten samlet for markedsområdet, for så å fordele den med fordelingsmodellen, innebæ-
rer derfor en unødvendig «omveg», da de tilgjengelige dataene i modellen tillater å gener	ere veksten 	
«bottom	-up». Det vil innebære å kun la de relasjonene som påvirkes av konkurranseflatene mot fly ge-	
nerere veksten. Å innføre dette prinsippet i modellen vil kreve en endring i todelingen av modellen, 
samt	 at man definerer influensområdet til de	 ulike flyplassene i Norge. 	 	
Dette argumentet kunne også vært ført mot scenariovalgene med endringene generell konkurranseflate 
mot 	bil og buss	, men poenget blir ikke like tydelig for disse konkurranseflatene, siden det er mer virke-	
lighetsnært at alle rela	sjoner påvirkes av endringer i den generelle konkurranseflaten mot bil og buss.

Jernban	edirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	43	 	
 
Prinsippet med vekst som genereres nedenfra kunne likevel vært innført, men med globale influensom-
råder for bil	 og buss	. 	
Størrelsen på scenarioeffektene bør være opp til bruke	ren	 	
I dagens modellversjon er det kun mulig for brukeren å analysere scenarioer	 hvor scenarioeffekten vel-	
ges fra en nedtrekksmeny. F	or eksempel	 kan	 endret utbredelse av hjemmekontor	 innføres med scena-	
rioeffekt på	 «+/	- 10 %» eller «+/	- 50 %».	 Vi ser ingen g	runn til hvorfor det 	ikke	 skal være opp til brukeren 	
å kunne velge andre størrelser	, og anbefaler at dette implementeres i neste 	modell	versjon. 	 	
Ny kunnskap bør 	føre til endring i parameterverdiene	 	
Gjennomgangen i dette kapittelet viser at mange av	 parameterne som er satt basert på skjønnsmessige 	
vurderinger. 	Det betyr at det er et potensial i å fundamentere modellen i empiri i større grad enn i dag. 	
Studier som søker å finne størrelsen på noen av parameterne som benyttes i modellen vil 	kunne for-	
bed	re modellen. 	 	
4.2	 	Fordelingsmodellen: Vurdering av parameterverdie	ne	 og bruk	en	 av 	
dem	 	
Kalibreringsparameterne for 	turattraksjon og konkurranseflater	 	
I fordelingsmodellen er det 	indeks	en	 for turattraksjon og indeks	en	 for konkurranseflate	r som påvirker 	
hvordan 	den 	generiske	 veksten fra vekstmodellen fordeles på 	relasjonene. Indeksen for turattraksjon 	
er sammensatt av indekser for 	befolkningsvekst	, arbeidsplasser og	 flyplass	- og turistnæringsvekst. In-	
deksen for konkurranseflate er sammensatt av 	indekser gitt ved 	LoS	-dataene	, som presentert og vurdert 	
i kapittel 	3.3	 . 	
Indeksene har ingen naturlig skala	. I dokumentasjonen heter det at 	«tal	lskalaen	 ikke er avgjørende 	for 	
resultatene siden fordelingsfaktorene til slutt blir 	normalisert slik at de har verdi 1 i gjennomsnitt (vektet 	
med referansetrafikk). 	Det er derfor de relative parameterverdiene som er utslagsgivende for hvordan 	
ulike forklaringsvar	iabler påvirker fordelingsfaktorene.» 	(Transportøkonomisk Institutt, 2020, s. 30)	. 	
Eksempelet i kapittel 	3.1	 (befolkningsdata)	 viser vi hvordan dagens spesifisering av turattraksjonsindek-	
sen gjør at vekstfaktorer for enkeltrelasjoner 	kan 	gå utover veksten i sonebefolkningen for stasjonene 	
som er involvert	 i relasjonene	. Dette er en indikasjon på at indeksen forde	ler for mye	. Én løsning 	vi fant 	
på dette 	var å sette 	elastisitet	sparameteren	 for turattraksjonsindeksen til 0,5	. Det kunne også vært løst 	
om 	utregningen av vekst mellom OD	-par ble gjort etter et annet multiplikasjonsprinsipp enn i dag. Se	 	
Figur 	3.3. 	
Eksempelet i kapittel	 3.3	 (LoS	-data) 	viser 	effekten av 	konkurranseflateindeksen 	i fordelingsmodellen. 	
Etter vårt skjønn er 	effekten	 for sterk, og dette kunne vært løst 	ved	 å enten sette ned elastisitets	para-	
meteren for hele 	konkurranseflateindeksen eller kalibreringsparameterne 	for effekter av GK	-endringer 	
og konkurransedyktighet for bil.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	44	 	
 
Eksemplene 	viser 	forbedringsmuligheter som ligger i en bedre 	parametersetting	, men er	 først og fremst 	
eksempler som viser at 	todelingen i en vekst	- og en fordelingsmodell gir noen 	uhensiktsmessige resul-	
tater. 	 	
Andre parametere i fordelingsmodellen	 	
Vi har ikke vurdert implikasjonene av de andre parameterne i 	fordelingsmodellen	 i samme grad som 	
parameterne for turattraktivitet og konkurranseflater. 	 	
Når det gjelder 	parameterne	 for 	flyplassattraktivitet	 og 	turistattraktivitet	 merker vi 	oss at disse er satt 	
svært høyt (5/10/5 og 5/30/5), basert på argumentet om at effekten er så lite	n i vekstmodellen	, der 	
parameterne påvirker	 alle 	relasjoner	, også de som ikke berøres av 	flyplasser og turisme	. Her viser vi til 	
diskusjonen i kapittel 	3.5	. Ellers vu	rderer vi at 	disse 	svært høye parameterne burde 	vært	 satt 	basert på 	
en grundigere argumentasjon om størrelsen på den	 ønskede 	virkningen.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	45	 	
 	
5	 	Bruk av modellen	 	
I dette kapittelet gjør vi vurderinger av hvilke analyser modellen er egnet til, hvordan den kan bru	kes 	
sammen med Trenklin, og hva man må være klar over som bruker av modellen. I tillegg gjør vi noen 
betraktninger knyttet til modellens kompleksitet, brukervennlighet og egnethet for ulike brukergrupper.	 	
5.1	 	Vurdering av modellens anvendbarhet	 	
Prognosemodellen er egnet til å 	gi g	rove anslag på etterspørsel etter persontogreiser, som drives av 	
underliggende etterspørsel	sdrivere som befolkningsvekst og økonomisk vekst. 	Framskrivingene	 i etter-	
spørselen	 er basert på beste tilgjengelige framskrivinge	r av de underliggende etterspørselsdriverne	, 	
hvor effekten av dem er	 parametrisert etter beste evne og faglige skjønn. 	Bruken av 	framskrivingene av 	
befolkningsdata og økonomisk vekst	 gjør det mulig å 	definere ulike markedsområder og 	egendefinerte 	
analysepe	rioder, noe som 	fremstår som nyttig. 	 	
Modellen 	egner seg også for å	 analysere effekten av scenarioer som gjør endringer i 	trender for under-	
liggende etterspørsel	sdrivere	 (hjemmekontor, konkurranseflater, tilbringertransport, flymarked, turist-	
næring og miljø	bevissthet	). Måten modellen 	innfører effekten av disse er ved å endre (skalere) 	effekten 	
av	 befolkningsvekst og økonomisk vekst. 	Disse	 analysene	 burde	 derfor	 i all hovedsak anses som følsom-	
hetsanalyser ovenfor endringer som kan påvirke effekten av de fremskrevne banene for befolknings-
vekst og økonomisk vekst.	 	
Prognoseverktøyet og Trenklin er godt egnet til å brukes sammen	 	
Endringer i togtilbudet analyseres ik	ke 	direkte 	i prognosemodellen.	 Likevel er modellen	s inn	- og output 	
laget 	på et format som gjør at 	de	 kan 	benyttes 	sammen med Trenklin. Dette 	åpner 	for 	å gjøre	 kombi-	
nerte analyser av 	effekten	 av underliggende etterspørselsvekst og tilbudsendringer. 	Et eksem	pel kan 	
være en analyse av e	n tilbudsendring som skjer i 2030, hvor man ønsker å se hva forventet	 persontog-	
etterspørsel blir i 2050, inkludert tilbudsendringen. 	Måten dette gjøres på er ved å 	fremskrive 	person-	
togetterspørselen til 2030 	basert på faktiske 	turmatriser (f.eks	. fra 2021)	, bruke 	ture	matrisene 	som in-	
put i Trenklin 	og gjennomføre tilbudsendring	en	 der, 	før man 	tar 	outputen fra Trenklin tilbake i progno-	
severktøyet og framskr	iver til 2050	. Eksempelet	 tydeliggjør	 hvor	 nyttig 	det er 	at prognose	verktøyet	 gir 	
fleksibilitet	 til å velge 	en 	egendefinert	 analyseperiode. 	 	
Hva prognoseverktøyet er egnet til og ikke	 	
Modellen egner seg svært godt til å gjør	e analyser av kapasitetsbehov	, gitt dagens 	infr	astruktur	 og rei-	
semønster	. Slikt sett er den også velegnet til å si noe om levedyktigheten i potensielle 	investeringer, sett 	
opp mot fremtidig kapasitetsbehov.	 Kapasitetsbehovet kan også 	analyseres	 for flere ulike fremtidssce-	
narioer med endringer i underliggende etterspørselsdrivere	 og følsomhetsanalyser for scenarioer som 	
kan endre påvirkningskraften til de underliggende driverne (befolkningsvekst og økonomisk vekst)	. Styr-	
ker knyttet til analyser av mulige utfallsrom for fremtidig persontogetterspørsel 	gjør at 	prognoseverkt-	
øyet	 er e	t godt supplement til de offentlige modellene som brukes i NTP	-arbeidet.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	46	 	
 
Det modellen derimot ikke er egnet til	, er å	 vurdere	 ulike tiltak opp mot hverandre, gjennomføre kost	-	
nytte-analyser eller 	sette tiltak som inkluderer andre transportformer	 enn tog	 opp mot hverandre. Til 	
dette er de offentlige NTP	-modellene mye 	bedre	 egne	t. Prognosemodellen er først og fremst en per-	
sontogmodell	 for scenarioer av underliggende vekst	 på eksisterende infrastruktur	, og bør ikke brukes 	
som noe annet. 	 	
5.2	 	Kompleksitet og 	tolkn	ing av resultater	 	
Vi har gjort flere vurderinger knyttet til	 todelingen av modellen og 	databruken	 i denne forbindelse. Vår 	
vurdering	 er at modellen ha	r en 	høy grad av kompleksitet. Dette gjelder 	særlig	 i fordelingsmodellen, der 	
en 	svært	 detaljert og sammensatt	 spesifisering av attraherings	- og konkurranseflateindeksene 	gjør 	at 	
det er komplekst å tolke og 	bryte opp 	resultatene analytisk. Noen 	tester av modellen indikerer at 	for-	
delingsmodellen omfordeler veksten på en for sterk måte, og de	n komplekse 	spesifiseringen av forde-	
lingsmodellen kan derfor gjøre det 	vanskelig å 	tolke hva det er som driver den omfordelingen man ser.	 	
Dette gjør at fordelingsmodellen bærer preg av å være en "svart boks"	, hvor 	det er vanskelig å tolke 	
resultatene av 	beregningene	, noe som 	kan være uheldig	, særlig om brukeren ikke er godt kjent med 	
modellen	. 	
Bruker	vennlighet	 og brukergrupper	 	
Modellen er i all hovedsak veldig enkel å bruke	. At den kjører i 	Microsoft E	xcel	 kan senke terskelen for 	
bruk hos mange 	potensielle	 brukergrupper. 	Brukerg	rensesnittet er 	forståelig og 	enkelt å bli kjent med. 	 	
Det er dog 	et par	 aspekter 	brukeren må være klar over	: 	
• 	Referansetrafikken	 fra turmatrisene	 brukes	 til å normalisere fordeling	sfaktorene i fordelingsmo-	
dellen. Uten referansetrafikk 	vil fordelingsmodellen 	gi like stor vekt til en liten stasjon som en stor 	
stasjon, og resultatene i fordelingsmodellen ville ikke gitt noen tolkbare resultat	er. Det er altså helt 	
avgjørende for bruk av	 fordelingsmodellen at referansetrafikken er korrekt	, om resultatene skal ha 	
tolkbare effekter.	 	
• 	Modellen har ingen funksjonalitet som 	stiller	 krav til sammenheng mellom hvilke	t markedsområde 	
man	 fremskriver generisk vekst fra, og hvilke stasjoner man fordeler denne veksten på i fordelings-	
modellen. 	I praksis kan man bruke den generiske veksten for Oslo/Viken og fordele den på stasjo-	
nene på Saltenpendelen	. Det er ulogisk, men 	trolig	 ikke	 et stort pr	oblem, da 	brukere vil unngå å 	
sette opp slike ulogiske 	analyser. En funksjonalitet som ga beskjed om at ulogiske stasjoner ble 	
brukt i fordelingsmodellen ville 	likevel	 kunne 	forhindret	 brukerfeil som følge av feilspesifisering av 	
markedsområde i «Scenario»	-arket. 	 	
Etter vår vurdering er vekstmodellen egnet for	 en bred brukergruppe, som også inkluderer	 brukere som 	
kun har behov for 	analyser på et overordnet og aggregert nivå. 	Man behøver ingen 	transportøkonomisk	 	
kompetanse, hverken for å kjøre 	eller	 tolke 	resultatene	 i vekstmodellen.	 	
Når det gjelder fordelingsmodellen	 er brukergruppen smalere. Vår vurdering er at	 man bør ha 	god trans-	
portøkonomisk kompetanse for å 	nyttiggjøre seg av an	alysene	 med dagens spesifisering av fordelings-	
modellen	. Kompleksiteten knyttet til tolkningen av 	graden av fordeling mellom 	relasjonene	 er hoved-	
grunnen til dette.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	47	 	
 	
6	 	Forbedringsmuligheter	 	
I dette avsluttende kapittelet beskriver vi noen 	forbedringsmuligheter som 	vi har oppdaget i arbeid	et 	
med vurderingen av modellen.	 Det gjennomgående forbedringspotensialet vurderer vi 	at ligger i å 	vur-	
dere en endring i	 hvordan vekstmodellen 	genererer vekst	, fra dagens «top	-down»	-orientering, mot en 	
mer «bottom	-up»	-orientering.	 	
6.1	 	M	ed eller uten fordelingsmodell	? 	
Gjennom hele 	arbeidet har vi pekt på ulike utfordringer som oppstår ved dagens modellstruktur, med 	
en todeling i en vekst	- og en fordelingsmodell. Et viktig valg for modellens fremtid er om man skal be-	
holde denne todelingen 	eller ikke. Uansett hvilket alternativ man velger bør det prioriteres å utarbeide 	
et datasett for arbeidsplasser som dekker hele modellområdet. 	Dette kan for eksempel gjøres ved bruk 	
av NOREG	-modellen, som gir mulighet til å fordele arbeidsplass	vekst ned p	å kommunenivå	 (Vista 	
Analyse, 2020)	. Dersom det er hensiktsmessig å videre fordele datasettet til grunnkretsnivå	, kan	 meto-	
dikken utviklet av Hamre 	(2019)	 benyttes	. 	
Siden modellen har 	data detaljert på det laveste nivået for alle andre datakilder	 (stasjons	- og relasjons-	
nivå, grunnkretser etc.)	, har vi argumentert for at man kan fjerne den strenge inndelingen i en vekst	- og 	
en fordelingsmodell. 	En vekstmodell som heller 	tar	 utgangspunkt 	i veksten per sone i det ønskede mo-	
dellområdet	, ville løst 	flere	 av problemene knyttet til sammenhengen mellom dagens markedsområder 	
og de underliggende 	sonene	 i fordelingsmodellen.	 For eksempel kunne man 	modellert opp 	influensom-	
rådet 	for flymarkedet	 neden	fra i stedet for å gå veien om fordeling av 	en 	generisk vekst (se kapittel 	0) 	
eller innført 	nye og mer lokale scenarioanalyser (se eksempelet under).	 En 	fjerning ell	er delvis fjerning 	
av todelingen vil også kreve 	innføringen av	 et detaljert datasett for arbeidsplasser for hele modellom-	
rådet	. I 	tillegg	 vil det 	være nødvendig med	 et datasett for økonomisk vekst 	som er detaljert ned på 	
kommune	- eller grunnkretsnivå. 	Dette skal 	også	 la seg gjøre 	med NOREG.	 	
Det kan 	selvsagt	 også 	være grunner	 til å beholde fordelingsmodellen. Gjør man det, er vår vurdering at 	
det bør gjøres	 en nærmere undersøkelse av 	den multiplikati	ve	 spesifiseringen av attraksjonsvekstindek-	
sen (ligning 5.1), turattrasjonsindeksen (ligning 5.2) og konkurranseflateindeksen (	ligning	 5.3). Noen av 	
eksemplene våre i kapittel 	3 indikerer at 	den multiplikative spesifiseringen gjør at eksisterende forskjel-	
ler i attraktiviteten til stasjoner forsterkes så mye at fordelingsmodellen i praksis blir en omfordelings-
modell. 	Vi viser hvordan 	denne	 forsterknings	effekten kan demp	es ved å heller bruke et geometrisk gjen-	
nomsnitt, men dette er ikke det eneste (og nødvendigvis mest riktige) gjennomsnittet å bruke i spesifi-
seringen av funksjonsformen	e. I 	det videre arbeid	et med 	modellen	 bør det undersøkes hvilken type 	
gjennomsnitt som 	gir den mest reelle spesifiseringen av 	indeksene. 	 	
6.2	 	Detaljerte data	 kan brukes til lokale	 scenarioanalyser	 også med da-	
gens todeling 	– Eksempel med	 endringer i tilbringertransport	 	
I dagens modell er scenarioet for endringer i tilbringertransporten til tog 	spesifisert ved at kvaliteten og 	
fleksibiliteten på tilbringertransporten 	kan 	forbedres/forverres	. Effekten innføres globalt, 	og	 alle 	reise-	
relasjoner påvirkes.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	48	 	
 
LoS	-dataene som brukes i modellen er 	detaljert så lavt som	 på relasjonsnivå, og dette gjør at 	man i 	
prinsippet kan innføre effekten av	 endringer i tilbringertransporten lokalt ved noen reiserelasjoner, og 	
ikke ved andre. 	Dette kan utnyttes til å kjøre scenarioanalyser av 	endringer i kvaliteten og funksjonali-	
teten på tilbringertransporten 	ulikt mello	m 	relasjoner	. 	
Et eksempel vi har tenkt på i denne forbindelse er innføringen av elektriske sparkesykler i 	flere norske 	
byer. Sparkesyklene kan parkeres (tilnærmet) hvor som helst, noe som har økt fleksibiliteten 	for rei-	
sende med tog i norske byer. Fleksibi	liteten i byer og tettsteder som 	har togstasjoner, men ikke 	har	 	
elektriske sparkesykler er 	derimot	 uendret som følge av sparkesyklene	. 	
Med de fire stasjonene 	vi har brukt i eksemplene 	tidligere i rapporten 	gjennomføre	r vi e	n test av hvor-	
dan 	en slik scenar	ioanalyse	 kunne 	blitt spesifisert	. Forutsetningen i	 eksempelet er at sparkesykler inn-	
føres i Oslo	, og ikke i Drammen, Moss og Lillestrøm, noe som reduserer tilbringertiden 	til Oslo S	, men	s 	
tilbringertiden ved	 de andre stasjonene	 er upåvirket	.11 	
Konkurranseflateindeksen 	for arbeidsreiser	 før	 endringen av tilbringer	tiden	 er vist	 i Tabell 	6.1.12 	
Tabell 	6.1: 	Konkurranseflateindeks (KF)	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	 	- 	 	 	0,86 	 	 0,91	 	 	 0,85 	
Moss	 	 	 	0,86 	 - 	 	 0,86 	 	 0,90 	
Lillestrøm	 	 	 	0,91	 	 	 	0,86 	 	 - 	 	 0,90 	
Drammen	 	 	 	0,85 	 	 	0,90 	 	 0,90 	 	 - 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
I Tabell 	6.2 ser vi konkurranseflateindeksen (KF) etter at vi har redusert tilbringertiden på de 6 relasjo-	
nene som inneholder Oslo S med 5 minutter. Tolkningen er at innføringen av elektriske sparkesykler 
reduserer den opplevde kostnaden ved tilbringertransporten til/fra Oslo S med 5 minutter. 	 	
 	
11 Modellen skal 	i utgangspunktet ikke se på endringer i togtilbudet, og tilbreinger	tiden	 anses som en del av 	dette da den er 	
en tilbudsvariabel i Trenklin. Tolkningen av effekten av 	innføringen av sparkesyklene i Oslo 	må	 derfor være at fleksibiliteten 	
for de togreisende ø	ker	, slik at den 	opplevde	 kostnaden av tilbringertiden reduseres, uten at den 	faktiske	 tilbringertiden er 	
redusert. 	 	
12 I testen har vi benyttet de samme stasjonene og referansetrafikk som i 	andre eksempler	 (Se 	Tabell	 3.2), det samme mar-	
kedsområdet (Oslo/Viken) og de samme referanse	- og 	prognoseårene (2020 og 2050).

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	49	 	
 
Tabell 	6.2: 	Konkurranseflateindeks (KF), 	med	 redusert tilbringeti	d rundt Oslo S	 	
 	 Oslo S	 	Moss	 	Lillestrøm	 	Drammen	 	
Oslo S	 	 	 	- 	 	 	0,87 	 	 0,94	 	 	 0,87 	
Moss	 	 	 	0,87 	 - 	 	 0,86 	 	 0,90 	
Lillestrøm	 	 	 	0,94	 	 	 	0,86 	 	 - 	 	 0,90 	
Drammen	 	 	 	0,87 	 	 	0,90 	 	 0,90 	 	 - 	
Kilde:	 	Prognosemodellen, versjon 1_1	 	
Konkurranseflateindeksen	 for relasjonene som inneholder Oslo S	 blir forbedret som følge av den redu-	
serte tilbringertiden	. 	
Teknikken som er benyttet i dette eksempelet kan 	benyttes 	for 	scenarioanalyser	 av endringer i andre 	
etterspørselsdrivere, gitt at data	ene	 finnes på et tilstrekkelig lavt nivå	 (relasjonsnivå, grunnkretser etc.)	. 	
6.3	 	Effekt av demografiske endringer	 	
I modellen er befolkningsveksten basert på vekst i den totale folkemengden. I framskrivningene til SSB 
er 	største delen av veksten som følge av at befolkningen blir eldre. 	I figuren nedenfor ser vi antall daglige 	
reiser per alderskategori	. Reisehyppigheten	 er tydelig fallende med økt alder. Derfor mener vi	 det 	er 	
viktig å belyse hvilken effekt dette kan ha for fremtidig	 etterspørsel etter persontogreiser	. 	
Figur 	6.1: 	Daglige reiser per alderskategori	 	
 	
Kilde: 	Epinion	 (2019)	. 	
Et scenario 	med følsomhetsanalyser 	som belyser dette burde ikke ta utgangspunkt i en fastsatt reise-	
hyppighet, 	men ta høyde for at vi vil stå lengre i arbeid og at dette vil påvirke reisehyppigheten til de 	
eldre. 	Det er mer nærliggende å tenke seg et høy, middels, lav scenario i forhold til hvor mye reisehyp-	
pigheten til de eldre endrer seg i forhold til veksten i a	ldergruppen. 	 	
 -
 0,5
 1,0
 1,5
 2,0
 2,5
 3,0
 3,5	
13-17	18-24	25-34	35-44	45-54	55-66	67-74	75+	
Daglige reiser	
Aldergruppe

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	50	 	
 	
7	 	Referanser	 	
Avinor, Jernbanedirektroatet, Kystverket, Nye Veier og Statens vegvesen. (2019). 	Nasjonal 	
transportplan 2022 	-2033: Oppdrag 2.	 	Hentet fra 	
https://www.regjeringen.no/contentassets/854cc13686d84866add26cfe7ae838d1/ntp	-	
oppdrag	-2.pdf	 	
Epinion. (2019). 	Nøkkelrapport RVU 2018	. Hentet fra 	
https://www.vegvesen.no/siteassets/content/vedlegg/vd	-rapport/nokkelrapport	-rvu	-2018	-	
vedlegg	-002.pdf	. 	
Flügel, S., Fearnly, N., & Toner, J. (2018). What factors affect cross	-modal substitution? 	– Evidences from 	
the Oslo Area. 	International Journal of Transport Development and Integration	, ss. 11	-29.	 	
Hamre, T. N. (2019). 	"Arealdataverktøyet" 	- et verktøy s	om kan levere data om arealbruk til de regionale 	
transportmodellene (++).	 Hentet fra Presentasjon på Teknologidagene 22. oktober 2019: 	
https://www.vegvesen.no/_attachment/2851766/binary/1350285?fast_title=Nytt+verkt%C3%
B8y+for+bedre+arealbruksdata+i+RTM+%E	2%80%93+ADV.pdf	 	
Jernbanedirektoratet. (2020). 	Følgeskriv Prognosemodell V1.1.	 	
KIT	-samarbeidet. (2021). 	ADV.	 Hentet fra https://www.kit	-samarbeidet.org/adv/	 	
Møreforskning. (2014). 	NTM6 	- Transportmodeller for reiser lengre enn 70 km.	 Molde: Møreforskning 	
og Høgskolen i Molde. Rapport 1414. Av Jens Rekdal, Tom N. Hamre, Stefan Flügel, Christian 
Steinsland, Anne Madslien, Berit Grue, Wei Zhang og Odd I Larsen.	 	
Rekdal, J., Larsen, O. I., Løkketangen, A., & Hamre, T. N. (2013). 	TraMod_By Del 1: Etablering av ny	tt 	
modellsystem. Revidert utgave av rapport 1203.	 	Hentet fra 	
https://www.vegvesen.no/_attachment/2662233/binary/1322410?fast_title=TRAMOD+by+de
l+1.pdf	 	
Sintef. (2008). 	Regionale modeller for persontransport.	 	Hentet fra 	
https://www.vegvesen.no/_attachment/26	62246/binary/1322419?fast_title=Regiononale+m	
odeller+for+persontransport.+Modellbeskrivelse.pdf	 	
Statens vegvesen. (2019, januar 14.	-16.). 	Transportanalyser og nytte	-kostnadsanalyser. .	 Hentet fra 	
Status for metodikk og verktøy. Presentasjoner fra temadager	.: 	
https://www.vegvesen.no/_attachment/2662074/binary/1331748?fast_title=Status+for+met
odikk+og+verkt%C3%B8y+storbysamarbeidet.pdf	 	
Transportøkonomisk institutt. (2019). 	Framtidens transportbehov 	- Følsomhetsberegninger av 	
transportframskrivinger og transpo	rtutvikling i korridorer.	 	Hentet fra 	
https://www.toi.no/getfile.php?mmfileid=51653	 	
Transportøkonomisk Institutt. (2020). 	Verktøy for framskriving og scenarioanalyse av togreiser.	 Rapport 	
1804/2020. Av Stefan Flügel, Aino Ukkonen, Nina Hulleberg og Vegard Østli. Hentet fra 
https://www.toi.no/getfile.php?mmfileid=54874

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista Analyse	 | 2021/34	 	51	 	
 
Vista Analyse. (2020). 	Regional økonomisk framskriving basert på likevektsmodellen NOREG.	 Oslo: Vista 	
Analyse. Rapp	ort 2020/8 av Orvika Rosnes, Haakon Vennemo, Jonas Erraia og Wiljar Hansen.

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista 	Analyse	 | 2021/34	 	52

Jernbanedirektoratets prognoseverktøy	 	
 	
Vista 	Analyse	 | 2021/34	 	53	 	
 
 	
 
 
 
 	
Vista Analyse AS	 	
Meltzers gate 4	 	
0257 Oslo	 	
 
post@vista	-analyse.no	 	
vista	-analyse.no