Impacts of licensed premises trading hour policies on alcohol‐related harms
Notice bibliographique
Résumé
BACKGROUND AND AIM: Evaluations of alcohol policy changes demonstrate that restriction of trading hours of both 'on'- and 'off'-licence venues can be an effective means of reducing rates of alcohol-related harm. Despite this, the effects of different trading hour policy options over time, accounting for different contexts and demographic characteristics, and the common co-occurrence of other harm reduction strategies in trading hour policy initiatives, are difficult to estimate. The aim of this study was to use dynamic simulation modelling to compare estimated impacts over time of a range of trading hour policy options on various indicators of acute alcohol-related harm. METHODS: An agent-based model of alcohol consumption in New South Wales, Australia was developed using existing research evidence, analysis of available data and a structured approach to incorporating expert opinion. Five policy scenarios were simulated, including restrictions to trading hours of on-licence venues and extensions to trading hours of bottle shops. The impact of the scenarios on four measures of alcohol-related harm were considered: total acute harms, alcohol-related violence, emergency department (ED) presentations and hospitalizations. RESULTS: Simulation of a 3 a.m. (rather than 5 a.m.) closing time resulted in an estimated 12.3 ± 2.4% reduction in total acute alcohol-related harms, a 7.9 ± 0.8% reduction in violence, an 11.9 ± 2.1% reduction in ED presentations and a 9.5 ± 1.8% reduction in hospitalizations. Further reductions were achieved simulating a 1 a.m. closing time, including a 17.5 ± 1.1% reduction in alcohol-related violence. Simulated extensions to bottle shop trading hours resulted in increases in rates of all four measures of harm, although most of the effects came from increasing operating hours from 10 p.m. to 11 p.m. CONCLUSIONS: An agent-based simulation model suggests that restricting trading hours of licensed venues reduces rates of alcohol-related harm and extending trading hours of bottle shops increases rates of alcohol-related harm. The model can estimate the effects of a range of policy options.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».