This bachelor thesis in the field of mathematical statistics was carried out in collaboration with an upcoming insurance start-up, Hedvig, and had the objective of investigating the predictive capabilities of different types of insurance claims. This was done through regression analysis, and more specifically the area in regression analysis called generalized linear models. Logistic regression was employed as the modeling technique, and data points were modeled in various ways to then be used to fit models in order to determine the most optimal one based on some pre-determined statistical evaluation metrics. The final model had an accuracy of above 96%, and the results showed that certain types of claims had a bigger contribution to the probability of a claim occurring the next period. This study contributes to the understanding of the predictive capabilities of insurance claim data and provides insights that could aid in the development of more accurate and efficient insurance pricing models. / Denna kandidatuppsats inom området matematisk statistik utfördes i samarbete med ett nyetablerat försäkringsföretag, Hedvig, och hade som syfte att undersöka den prediktiva förmågan hos olika typer av ersättningsanspråk. Detta gjordes genom regressionsanalys, och mer specifikt det område inom regressionanalys som kallas generaliserade linjära modeller. Logistisk regression användes som modelleringsteknik, och datapunkterna modellerades på olika sätt för att sedan skapa modeller, med syfte att fastställa den mest optimala modellen utifrån vissa förutbestämda statistiska utvärderingsmått. Den slutliga modellen hade en exakthet på över 96%, och resultaten visade att vissa typer av anspråk bidrog i större utsträckning till sannolikheten för att ett anspråk skulle inträffa under nästa period. Den här studien bidrar till förståelsen av den prediktiva förmågan hos data på ersättningsanspråk och ger insikter som kan bidra till utvecklingen av mer exakta och effektiva modeller för prissättning av försäkringar.

Churn refers to the discontinuation of a contract; consequently, customer churn occurs when existing customers stop being customers. Predicting customer churn is a challenging task in customer retention, but with the advancements made in the field of artificial intelligence and machine learning, the feasibility to predict customer churn has increased. Prior studies have demonstrated that machine learning can be utilized to forecast customer churn. The aim of this thesis was to develop and implement a machine learning model to predict customer churn and identify the customer features that have a significant impact on churn. This Study has been conducted in cooperation with the Swedish insurance company Bliwa, who expressed interest in gaining an increased understanding of why customers choose to leave.  Three models, Logistic Regression, Random Forest, and Gradient Boosting, were used and evaluated. Bayesian optimization was used to optimize the models. After obtaining an indication of their predictive performance during evaluation using Cross-Validation, it was concluded that LightGBM provided the best result in terms of PR-AUC, making it the most effective approach for the problem at hand. Subsequently, a SHAP-analysis was carried out to gain insights into which customer features that have an impact on whether or not a customer churn. The outcome of the SHAP-analysis revealed specific customer features that had a significant influence on churn. This knowledge can be utilized to proactively implement measures aimed at reducing the probability of churn. / Att förutsäga kundbortfall är en utmanande uppgift inom kundbehållning, men med de framsteg som gjorts inom artificiell intelligens och maskininlärning har möjligheten att förutsäga kundbortfall ökat. Tidigare studier har visat att maskinlärning kan användas för att prognostisera kundbortfall. Syftet med denna studie var att utveckla och implementera en maskininlärningsmodell för att förutsäga kundbortfall och identifiera kundegenskaper som har en betydande inverkan på varför en kund väljer att lämna eller inte. Denna studie har genomförts i samarbete med det svenska försäkringsbolaget Bliwa, som uttryckte sitt intresse över att få en ökad förståelse för varför kunder väljer att lämna. Tre modeller, Logistisk Regression, Random Forest och Gradient Boosting användes och utvärderades. Bayesiansk optimering användes för att optimera dessa modeller. Efter att ha utvärderat prediktiv noggrannhet i samband med krossvalidering drogs slutsatsen att LightGBM gav det bästa resultatet i termer av PR-AUC och ansågs därför vara den mest effektiva metoden för det aktuella problemet. Därefter genomfördes en SHAP-analys för att ge insikter om vilka kundegenskaper som påverkar varför en kund riskerar, eller inte riskerar att lämna. Resultatet av SHAP-analysen visade att vissa kundegenskaper stack ut och verkade ha en betydande påverkan på kundbortfall. Denna kunskap kan användas för att vidta proaktiva åtgärder för att minska sannolikheten för kundbortfall.

Given access to detailed tracking data, the problem of attribution modelling has recently gained attention in both academia and the industry. Being able to determine the influence of each marketing channel in driving conversions can help advertisers to allocate their marketing budgets accordingly and ultimately increase their customer base and achieve a higher Return On Investment (ROI). However, Last-Touch Attribution (LTA), the current industry standard to approach the problem, has been criticized for oversimplification.  In this degree project, two data-driven attribution models are therefore compared to the LTA model on real data from an insurance company, with the objective to optimize for customer base growth and ROI. Raw attributions for each channel are obtained after training the models to predict conversion or non-conversion. By using a linear function to obtain a Customer Lifetime Value (CLV) estimate, the attributions are then adjusted to the ROI of each channel and finally validated through an attribution based budget allocation and historical marketing data replay. The experimental results demonstrate that all models reach approximately 82% accuracy on balanced data, just below the calculated theoretical maximum. While current research consistently argues for more complex data-driven Multi-Touch Attribution (MTA) models, this project provides a nuance to this field of research in showing that the LTA model may, in fact, be suitable in some cases. A new approach to develop specialized models based on correlations between conversion and contextual variables, then shows that attribution models for mobile users specifically yield higher accuracy. The sum of such unnormalized attributions function as indicators for the conversion strength of contextual variables and can further assist decision making. / Givet tillgång till detaljerad spårningsinformation har attributionsmodellering nyligen fått uppmärksamhet i både akademin och näringslivet. Att kunna förstå påverkan varje marknadsföringskanal har på att driva konverteringar, kan underlätta för annonsörer att fördela marknadsföringsbudgetar och i slutändan öka antalet kunder samt uppnå en högre avkastning på investeringen. Last-Touch-Attribution (LTA), den nuvarande branschstandarden för att angripa problemet, har emellertid kritiserats för att vara överförenklande. I det här examensarbetet jämförs därför två datadrivna attributions-modeller med LTA på verklig data från ett försäkringsbolag med målet att optimera för kundbastillväxt och avkastning. Råa attributioner för varje kanal erhålls efter att modellerna tränats på att prediktera konvertering eller icke-konvertering. Genom att estimera kundens livstidsvärde med en linjär funktion, justeras attributionerna sedan med avkastningen på investering för varje kanal och valideras slutligen genom en attributionsbaserad budgetallokering och uppspelning av historisk marknadsföringsdata. De experimentella resultaten visar att alla modeller når ungefär 82% träffsäkerhet på balanserad data, strax under det beräknade teoretiska maximivärdet. Medan aktuell forskning konsekvent argumenterar för mer komplexa datadrivna multi-touch-modeller, ger det här projektet en nyans till forskningsfältet genom att visa att LTA i vissa fall kan vara lämplig. Ett nytt tillvägagångssätt för att utveckla specialiserade modeller baserade på korrelationer mellan konvertering och kontextuella variabler, visar sedan att attributionsmodeller för enbart mobilanvändare ger högre träffsäkerhet. Summan av sådana onormaliserade attributioner fungerar som indikatorer på konverteringsstyrkan för kontextuella variabler och kan ytterligare underlätta beslutsfattandet.

In the popular sport of football, the exploration of key performance indicators has garnered significant interest among researchers, coaches, and analysts. While machine learning approaches, such as the expected goals model, have provided valuable insights into the attacking aspects of the game, the defensive side has received comparatively less attention. This thesis focuses on the defensive aspect of football, particularly during the opposition’s build-up phase, a strategy increasingly adopted by many teams. The goal of this project is to integrate valuable features from existing research with newly generated ones, developed in consultation with football experts, to create a model that provides insights into a team’s defensive behavior during the opponent’s build-up phase. The study utilizes synchronized event and tracking data from the Allsvenskan 2022 and 2023 seasons. An algorithm is developed to filter and analyze build-up sequences by generating appropriate defensive features. Subsequently, a logistic regression-based machine learning model is implemented to predict the outcome of an event during a build-up sequence, as well as the overall outcome of the sequence. This approach, enables the introduction of two new metrics aimed at evaluating a team’s defensive behavior during the opponent’s build-up phase. Additionally, a web-based application is developed to visualize and communicate the project results and insights to football experts and data analysts. Finally, the findings of this thesis highlight the benefits of combining tracking data with event data in football analytics. / Nyckeltalsundersökningar för att utvärdera och utveckla fotbollsklubbars prestation har väckt stort intresse bland forskare, tränare och analytiker. Traditionellt sett har dessa nyckeltal härletts genom observationsanalys. Dock har den ökande förekomsten av teknik inom den professionella fotbollsvärlden skapat möjligheter för att implementera mer automatiserade metoder för taktisk analys. Denna studie kommer specifikt att fördjupa sig inom det taktiska området av fotboll, som framstår som den mest relevanta och dynamiska delen av spelet. Målet med studien är att applicera modern teknologi, så som maskininlärning, på befintlig forskning, för att utveckla en modell som ger insikter om försvarsspelet under motståndarens uppbyggnadsfas. Studien undersöker synkroniserad händelse- och spårningsdata från Allsvenskan, Sveriges Högsta fotbollsserie, säsongerna 2022 och 2023. Efter att ha utvecklat en algoritm för att filtrera uppbyggnadssekvenser, användes denna data för att generera omfattande egenskaper som beskriver kvaliteten på ett lags försvarsspel. Därefter implementeras en maskininlärningsmodell, med hjälp av logistisk regressionsanalys, för att förutse utfallet av både en uppbyggnadssekvens och försvarsspelet. Resultatet visar på värdet av att kombinera spårningsdata med händelsedata inom fotbollsanalys. Modellens prestanda förbättrades avsevärt, både när det gäller att förutsäga utfallet av ett defensivt spel och en uppbyggnadssekvens.Dessutom har resultatet av studien lett till användbara insikter om försvarsspel för dataanalytiker inom fotboll. En webbaserad applikation utvecklades också för att visualisera och kommunicera resultaten.

In the forecast data post-processing at the Swedish Meteorological and Hydrological Institute (SMHI) a regular Kalman filter is used to debias the two meter air temperature forecast of the physical models by controlling towards air temperature observations. The Kalman filter however diverges when encountering greater nonlinearities in shifting weather patterns, and can only be manually reset when a new air mass has stabilized itself within its operating region. This project aimed to automate this process by means of a machine learning approach. The methodology was at its base supervised learning, by first algorithmically labelling the air mass shift occurrences in the data, followed by training a logistic regression model. Observational data from the latest twenty years of the Uppsala automatic meteorological station was used for the analysis. A simple pipeline for loading, labelling, training on and visualizing the data was built. As a work in progress the operating regime was more of a semi-supervised one - which also in the long run could be a necessary and fruitful strategy. Conclusively the logistic regression appeared to be quite able to handle and infer from the dynamics of air temperatures - albeit non-robustly tested - being able to correctly classify 77% of the labelled data. This work was presented at Uppsala University in June 1st of 2018, and later in June 20th at SMHI.

It is essential for a bank to estimate the credit risk it carries and the magnitude of exposure it has in case of non-performing customers. Estimation of this kind of risk has been done by statistical methods through decades and with respect to recent development in the field of machine learning, there has been an interest in investigating if machine learning techniques can perform better quantification of the risk. The aim of this thesis is to examine which method from a chosen set of machine learning techniques exhibits the best performance in default prediction with regards to chosen model evaluation parameters. The investigated techniques were Logistic Regression, Random Forest, Decision Tree, AdaBoost, XGBoost, Artificial Neural Network and Support Vector Machine. An oversampling technique called SMOTE was implemented in order to treat the imbalance between classes for the response variable. The results showed that XGBoost without implementation of SMOTE obtained the best result with respect to the chosen model evaluation metric. / Det är nödvändigt för en bank att ha en bra uppskattning på hur stor risk den bär med avseende på kunders fallissemang. Olika statistiska metoder har använts för att estimera denna risk, men med den nuvarande utvecklingen inom maskininlärningsområdet har det väckt ett intesse att utforska om maskininlärningsmetoder kan förbättra kvaliteten på riskuppskattningen. Syftet med denna avhandling är att undersöka vilken metod av de implementerade maskininlärningsmetoderna presterar bäst för modellering av fallissemangprediktion med avseende på valda modelvaldieringsparametrar. De implementerade metoderna var Logistisk Regression, Random Forest, Decision Tree, AdaBoost, XGBoost, Artificiella neurala nätverk och Stödvektormaskin. En översamplingsteknik, SMOTE, användes för att behandla obalansen i klassfördelningen för svarsvariabeln. Resultatet blev följande: XGBoost utan implementering av SMOTE visade bäst resultat med avseende på den valda metriken.

The desire to model the true gain from targeting an individual in marketing purposes has lead to the common use of uplift modeling. Uplift modeling requires the existence of a treatment group as well as a control group and the objective hence becomes estimating the difference between the success probabilities in the two groups. Efficient methods for estimating the probabilities in uplift models are statistical machine learning methods. In this project the different uplift modeling approaches Subtraction of Two Models, Modeling Uplift Directly and the Class Variable Transformation are investigated. The statistical machine learning methods applied are Random Forests and Neural Networks along with the standard method Logistic Regression. The data is collected from a well established retail company and the purpose of the project is thus to investigate which uplift modeling approach and statistical machine learning method that yields in the best performance given the data used in this project. The variable selection step was shown to be a crucial component in the modeling processes as so was the amount of control data in each data set. For the uplift to be successful, the method of choice should be either the Modeling Uplift Directly using Random Forests, or the Class Variable Transformation using Logistic Regression. Neural network - based approaches are sensitive to uneven class distributions and is hence not able to obtain stable models given the data used in this project. Furthermore, the Subtraction of Two Models did not perform well due to the fact that each model tended to focus too much on modeling the class in both data sets separately instead of modeling the difference between the class probabilities. The conclusion is hence to use an approach that models the uplift directly, and also to use a great amount of control data in each data set. / Behovet av att kunna modellera den verkliga vinsten av riktad marknadsföring har lett till den idag vanligt förekommande metoden inkrementell responsanalys. För att kunna utföra denna typ av metod krävs förekomsten av en existerande testgrupp samt kontrollgrupp och målet är således att beräkna differensen mellan de positiva utfallen i de två grupperna. Sannolikheten för de positiva utfallen för de två grupperna kan effektivt estimeras med statistiska maskininlärningsmetoder. De inkrementella responsanalysmetoderna som undersöks i detta projekt är subtraktion av två modeller, att modellera den inkrementella responsen direkt samt en klassvariabeltransformation. De statistiska maskininlärningsmetoderna som tillämpas är random forests och neurala nätverk samt standardmetoden logistisk regression. Datan är samlad från ett väletablerat detaljhandelsföretag och målet är därmed att undersöka vilken inkrementell responsanalysmetod och maskininlärningsmetod som presterar bäst givet datan i detta projekt. De mest avgörande aspekterna för att få ett bra resultat visade sig vara variabelselektionen och mängden kontrolldata i varje dataset. För att få ett lyckat resultat bör valet av maskininlärningsmetod vara random forests vilken används för att modellera den inkrementella responsen direkt, eller logistisk regression tillsammans med en klassvariabeltransformation. Neurala nätverksmetoder är känsliga för ojämna klassfördelningar och klarar därmed inte av att erhålla stabila modeller med den givna datan. Vidare presterade subtraktion av två modeller dåligt på grund av att var modell tenderade att fokusera för mycket på att modellera klassen i båda dataseten separat, istället för att modellera differensen mellan dem. Slutsatsen är således att en metod som modellerar den inkrementella responsen direkt samt en relativt stor kontrollgrupp är att föredra för att få ett stabilt resultat.

When recently graduated psychologists leave the profession, it can have a negative impact on the quality and continuity of care as well as resulting in socioeconomic costs. This study set out to investigate what personal and contextual factors affect newly graduated psychologists' intention to leave the profession (ITLP) over time. Longitudinal data was collected using a survey over three waves: 2017, 2018 and 2019. The participants were newly graduated psychologists in Sweden (n=346) who had answered two consecutive surveys. Logistic regressions were made, with the dependent variable ITLP. The independent variables were: sector (public or private), occupational self-efficacy, work related psychological flexibility, role stress. emotional demands, job satisfaction, social support (from colleagues, supervisor and family), transition between studies and internship, transition between internship and employment and sickness absence. Results showed that job satisfaction, social support from supervisors and the transition between internship and employment had a significant effect on the newly graduated psychologists’ ITLP over time. Due to data limitations some hypothesized relationships might not have been detected. Further research is needed to clarify what affects psychologists’ ITLP over time. / Att psykologer väljer att lämna yrket kan påverka vårdkvalitet och kontinuitet, dessutom innebär det samhällsekonomiska kostnader. Denna studie undersöker vilka faktorer det är som påverkar huruvida psykologer har en intention att lämna yrket (ITLP) eller inte. Longitudinell data samlades in i tre omgångar: 2017, 2018 och 2019. Deltagare var nyligen examinerade psykologer i Sverige (n=346) som hade svarat på två efterföljande enkäter. Logistiska regressioner genomfördes med den beroende variabeln ITLP. De oberoende variabler var: sektor (offentlig eller privat), arbetsrelaterad self-efficacy, arbetsrelaterad psykologisk flexibilitet, rollstress, emotionella krav, arbetstillfredsställelse, socialt stöd (från kollegor, överordnad och familj), övergång mellan studier och praktisk tjänstgöring, övergång mellan praktisk tjänstgöring och arbete samt sjukfrånvaro. Resultatet visade att arbetstillfredsställelse, socialt stöd från överordnad och transitionen mellan praktisk tjänstgöring och arbete hade en signifikant effekt på ITLP över tid. Begränsningar i data kan ha gjort så att vissa av de samband som hypotiserats inte kunde identifieras. Mer framtida forskning behövs för att klargöra vilka faktorer som påverkar psykologers ITLP över tid.

Portfolio managers have a great interest in detecting high-performing stocks early on. Detecting outperforming stocks has for long been of interest from a research as well as financial point of view. Quantitative methods to predict stock movements have been widely studied in diverse contexts, where some present promising results. The quantitative algorithms for such prediction models can be, to name a few, support vector machines, tree-based methods, and regression models, where each one can carry different predictive power. Most previous research focuses on indices such as S&P 500 or large-cap stocks, while small- and micro-cap stocks have been examined to a lesser extent. These types of stocks also commonly share the characteristic of high volatility, with prospects that can be difficult to assess. This study examines to which extent widely studied quantitative methods such as random forest, support vector machine, and logistic regression can produce accurate predictions of stock price directions on a quarterly and yearly basis. The problem is modeled as a binary classification task, where the aim is to predict whether a stock achieves a return above or below a benchmark index. The focus lies on Asian small- and micro-cap stocks. The study concludes that the random forest method for a binary yearly prediction produces the highest accuracy of 69.64%, where all three models produced higher accuracy than a binary quarterly prediction. Although the statistical power of the models can be ruled adequate, more extensive studies are desirable to examine whether other models or variables can increase the prediction accuracy for small- and micro-cap stocks. / Portföljförvaltare har ett stort intresse av att upptäcka högpresterande aktier tidigt. Detektering av högavkastande aktier har länge varit av stort intresse dels i forskningssyfte men också ur ett finansiellt perspektiv. Kvantitativa metoder för att förutsäga riktning av aktiepriset har studerats i stor utsträckning där vissa presenterar lovande resultat. De kvantitativa algoritmerna för sådana prediktionsmodeller kan vara, för att nämna ett fåtal, support vector machines, trädbaserade metoder och regressionsmodeller, där var och en kan bära olika prediktiv kraft. Majoriteten av tidigare studier fokuserar på index såsom S&P 500 eller storbolagsaktier, medan små- och mikrobolagsaktier har undersökts i mindre utsträckning. Dessa sistnämnda typer av aktier innehar ofta en hög volatilitet med framtidsutsikter som kan vara svåra att bedöma. Denna studie undersöker i vilken utsträckning väletablerade kvantitativa modeller såsom random forest, support vector machine och logistisk regression, kan ge korrekta förutsägelser av små- och mikrobolags aktiekursriktningar på kvartals- och årsbasis. I avhandlingen modelleras detta som ett binärt klassificeringsproblem, där avkastningen för varje aktie antingen är över eller under jämförelseindex. Fokuset ligger på asiatiska små-och mikrobolag. Studien drar slutsatsen att random forest för en binär årlig prediktion ger den högsta noggrannheten på 69,64 %, där samtliga tre modeller ger högre noggrannhet än en binär kvartalsprediktion. Även om modellerna bedöms vara statistiskt säkerställda, är det önskvärt med fler omfattande studier för att undersöka om andra modeller eller variabler kan öka noggrannheten i prediktionen för små- och mikrobolags aktiekursriktning.

För att uppnå ett hållbart samhälle krävs en omställning av transportsystemet. Region Stockholmsmålsättning är att andelen cykelresor ska mer än dubbleras till år 2030 och stå för 20% av alla resor ilänet. Bristande underhåll och dålig utformning på cykelbanor står för ca 60% av allvarligasingelolyckor på cykel. Denna ökning av cykelresor ställer därmed höga krav på utformning ochunderhåll av cykelinfrastrukturen. För att cykelbanans komfort ska vara god, krävs det attcykelbanan är jämn, vilket kan komma i konflikt med brunnslock, då det ofta uppstår sättningar ibeläggningen omkring brunnarna. Brunnslocken kan upplevas som obehagliga att cykla över och haräven lägre friktion än omkringliggande yta. Detta kan resultera i halka vilket särskilt är påtagligt närvägbanan är fuktig. Brunnslock är vanligt förekommande på cykelbanor, i denna studie inventeradesde centrala delarna av elva regionala cykelstråk och där förekom ca 1200 brunnslock. Dessa var avvarierande storlek, position i cykelbanan och höjdläge jämfört med den omkringliggandebeläggningen. Brunnslock kan vara ett potentiellt hinder på cykelbanor, vilket minskar cykelbananstillgängliga bredd. Cykelbanans tillgängliga bredd är den yta som är funktionellt möjlig att cykla på.Konstruerad bredd är däremot den bredd cykelbanan byggdes med utan hänsyn till eventuellahinder.Syftet med studien är att undersöka ifall brunnslock, specifikt manhålsbrunnar och kabelbrunnar,anses vara ett hinder för cyklister på cykelbanor och hur brunnslocken påverkar den tillgängligabredden på de fyra studieplatserna. Den tillgängliga bredden på studieplatserna jämförs medrekommenderade cykelbanebredder i handböcker. Studien avgränsades för att eftersträvastudieplatsernas likvärdighet och att enbart brunnslockens egenskaper skilde studieplatserna åt. Destuderade brunnslocken var: manhålsbrunn med och utan kant samt kabelbrunn med och utan kant.Studiens resultat visar det finns en skillnad mellan situationer med och utan mötande cyklist.Majoriteten av cyklisterna håller sig till höger om brunnslocken oberoende av möte eller ej möte,vilket kan bero på deras naturliga sidledsposition. När det inte är möte väljer många att cykla tillvänster om brunnslocken. Däremot, i situationer med möte väljer nästan ingen att cykla till vänsterom brunnslocken. Minskningen i antal som cyklar vänster om brunnslocken vid möte motsvararungefär ökningen i antal som cyklar höger om brunnslocken i samma situation. Antalet som cyklaröver brunnslock skiljer sig marginellt mellan situationer med och utan möte. Detta kan tolkas somatt cyklister byter sida om brunnslocken och undviker att cykla över dem. Vid de fyra studieplatsernaär det få som cyklar över brunnslocken vilket gör att dessa brunnslock troligen bör ses som etthinder som minskar den tillgängliga bredden.Det kan konstateras att de undersökta kabelbrunnarna är ett större hinder för cyklister änmanhålsbrunnarna. Brunnslock med kant är ett större hinder än brunnslock utan kant. Fler brunnarbehöver studeras innan det går att dra mer generella slutsatser om brunnslock på cykelbanor. Dettagäller både de undersökta brunnarna och andra sorters brunnar.Den tillgängliga bredden på studieplatserna jämfördes med rekommenderade cykelbanebredder idessa handböcker: VGU, GCM-handboken, Stockholms läns regionala cykelplan, Stockholmscykelplan, Cykeln i staden och Solnas cykelplan. Bredderna som rekommenderas i handböckernauppfylls inte sett till den tillgängliga bredden på studieplatserna. / The transport system must transform to achieve a sustainable society. Region Stockholm's goal is forthe proportion of bicycle trips to more than double by 2030 and account for 20% of all trips in thecounty. Lack of maintenance and poor cycle paths account for about 60% of serious single accidentson bicycles. This increase consequently places high demands on the design and maintenance of thebicycle infrastructure. For the cycle path's comfort to be good, it is required that the cycle pathremains even, which can come into conflict with manhole covers, as subsidence often occur at andaround the manholes. The manhole covers can be experienced as unpleasant to cycle over and havelower friction than the surrounding surface. This can cause skidding, especially if the road surface iswet. Manhole covers are common on cycle paths, in this study 1 200 manhole covers were found onthe central parts of eleven regional cycle paths. These were of varying size, position in the cycle pathand height compared to the surrounding pavement. Manhole covers can be a potential obstacle oncycle paths, which reduces the available width of the cycle path. The available width of the cyclepath is the surface that is functionally possible to cycle on. Constructed width, on the other hand, isthe width the cycle path was built with without regard to any obstacles.The purpose of the study is to investigate whether manhole covers are considered an obstacle forcyclists on cycle paths and how the manhole covers affect the available width of the four study sites.The available width of the study sites is compared with recommended cycle path widths inguidelines. The study was delimited to strive for the equivalence of the study sites and that only theproperties of the manhole covers separated the study sites. Two types of manhole covers werestudied and these two types were also studied with and without edges.The results of the study show that there is a difference between situations with and without anoncoming cyclist. A majority of cyclists stay to the right of the manhole covers regardless ofoncoming cyclist or not, which may be due to their natural lateral position. When there is nooncoming cyclist, many choose to cycle to the left of the manhole covers. However, in situations ofencounter, almost no one chooses to cycle to the left of the manhole covers. The decrease in thenumber of cyclists to the left of the manhole covers at an encounter roughly corresponds to theincrease in the number of cyclists to the right of the manhole covers in the same situation. Thenumber who cycle over manhole covers differs marginally between situations with and withoutoncoming cyclists. This can be interpreted as cyclists changing sides of the manhole covers andavoiding cycling over them. At the four study sites, few people cycle over the manhole covers, whichmeans that these manhole covers should probably be seen as an obstacle that reduces the availablewidth.It can be stated that the manhole covers with edges are a greater obstacle than manhole coverswithout edges. More manholes need to be studied before it is possible to draw more generalconclusions about manhole covers on cycle paths. This applies to both the investigated manholesand other types of manholes.The available width of the study places was compared with the recommended cycle path widths inthese guidelines: “VGU”, “GCM-handboken”, “Stockholm County's regional cycle plan”, “Stockholm'scycle plan”, “Cykeln i staden” and “Solna's cycle plan”. The widths recommended in the guidelinesare not met in terms of the available width of the study places.