Sugar and health in South Africa: Potential challenges to leveraging policy change
Notice bibliographique
Résumé
A growing body of evidence indicates that excessive sugar consumption is driving epidemics of obesity and related non-communicable diseases (NCDs) around the world. South Africa (SA), a major consumer of sugar, is also the third most obese country in Africa, and 40% of all deaths in the country result from NCDs. A number of fiscal, regulatory, and legislative levers could reduce sugar consumption in SA. This paper focuses on a sugar-sweetened beverage (SSB) tax. The purpose of the paper is to highlight the challenges that government might anticipate. Policies cannot be enacted in a vacuum and discussion is focused on the industrial, economic, and societal context. The affected industry actors have been part of the SA economy for over a century and remain influential. To deflect attention, the sugar industry can be expected either to advocate for self-regulation or to promote public-private partnerships. This paper cautions against both approaches as evidence suggests that they will be ineffective in curbing the negative health impacts caused by excessive sugar consumption. In summary, policy needs to be introduced with a political strategy sensitive to the various interests at stake. In particular, the sugar industry can be expected to be resistant to the introduction of any type of tax on SSBs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,014 | 0,010 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».