Abstract 08: The Impact of Food Taxation and Subsidy Policies on Cardiometabolic Disparities in the US
Notice bibliographique
Résumé
Background: Food taxes and subsidies are promising strategies for improving diets and reducing cardiometabolic diseases (CMD). Both dietary habits and CMD burdens are unequally distributed in the US, with major disparities by socioeconomic status (SES). Information on impacts of national food price policies on disparities is lacking. Aim: To estimate the impact on CMD deaths and health disparities in US adults of price interventions (taxes, subsidies) targeting 7 key dietary factors. Methods: Using nationally representative data, we conducted comparative risk assessment analysis to estimate the impact of a 10% price subsidy on fruits, vegetables, whole grains, and nuts and a 10% tax on processed meat, unprocessed red meat, and sugar-sweetened beverages, on CMD deaths and disparities in SES subgroups. We evaluated 18% (based on global price elasticity data) and 50% (based on recent experience from soda taxes in Mexico) greater price responsiveness in lowest vs. highest SES groups. Results: Each separate price intervention would reduce CMD deaths (Figure). Jointly subsidizing and taxing these 7 dietary factors (10% price change each) and assuming 18% greater price-responsiveness in lowest vs. highest SES, this intervention would prevent 5.27% of CMD deaths in those with Conclusions: Introducing modest price changes on key dietary factors could reduce CMD burdens and improve disparities in the US. Policy-based strategies targeting disparities will require considering both baseline dietary habits as well as price responsiveness in specific population subgroups.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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 ».