For several decades, stated preference (SP) studies have been the dominant method for transport valuation. However, there are many indications that revealed preference data is making a strong comeback due to access to Big Data and new analysis possibilities such as machine learning. In this report, we assess the capability of different RP data sources. We find that app-panel with GPS-tracking give the broadest and most precise basis for valuation. In order to accommodate current segmentation of unit values in Norwegian transport appraisal, one does, however, need to collect additional background surveys. The use of traditional travel surveys is also ranked high, in particular when synergies with the estimation of transport models can be realized.

De siste tiårene har studier basert på såkalt «stated preference» (SP) vært den dominerende metode for å verdsette kvalitetsfaktorer som reisetid etc. i transportsektoren. Nå er det mye som taler for at «revealed preference» data kommer tilbake, ettersom en nå får tilgang på nye og store data og analysemetoder basert på maskinlæring. I dette prosjektet har vi vurdert mulighetene som ligger i ulike datakilder. Vi finner at data fra rekrutterte paneler som bruker applikasjoner med GPS-sporing gir det bredeste og mest presise grunnlaget for slik verdsetting. For å underbygge dagens segmentering av enhetsverdier i norske transportanalyser, trenger en imidlertid å samle inn bakgrunnsdata i egne undersøkelser. Bruk av tradisjonelle reisevaneundersøkelser har fortsatt stor verdi når disse også skal brukes til estimering av transportmodeller.