MétaCan
Menu
Retour à la cohorte
Enregistrement W3023835449 · doi:10.12688/gatesopenres.13127.1

Impact of cigarette tax increase on health and financing outcomes in four Indian states

2020· preprint· en· W3023835449 sur OpenAlexafffund
Daphne Wu, Vikas Sheel, Pooja Gupta, Beverley M. Essue, Linh Luong, Prabhat Jha

Notice bibliographique

RevueGates Open Research · 2020
Typepreprint
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Public Health Policies and Epidemiology
Établissements canadiensCentre for Global Health ResearchSt. Michael's Hospital
Organismes subventionnairesCancer Research UKInternational Development Research CentreBill and Melinda Gates Foundation
Mots-clésTax revenueExciseAdjusted gross incomeEconomicsTax policyRevenueDemographic economicsDemographyMedicineGross incomePublic economicsFinanceState income taxTax reform

Résumé

récupéré en direct d'OpenAlex

Background : In India, about one million deaths occur every year due to smoking. Tobacco taxation is the most effective intervention in reducing smoking. In this paper, we examine the impact of a one-time large cigarette price increase, through an increase in excise tax, on health and financing outcomes in four Indian states. Methods : We used extended cost-effectiveness analysis to estimate, across income quintiles, the life-years gained, treatment cost averted, number of men avoiding catastrophic health expenditures and extreme poverty, additional tax revenue collected, and savings to the Ayushman Bharat Pradhan Mantri Jan Arogya Yojana (AB-PMJAY) with a cigarette price increase to Indian Rupees (INR) 10 plus 10% ad valorem in four Indian states. Results : With the price increase, about 1.5 million men would quit smoking across the four states, with the bottom income group having 7.4 times as many quitters as the top income group (485,725 vs 65,762). As a result of quitting, about 665,000 deaths would be averted. This would yield about 11.9 million life-years, with the bottom income group gaining 7.3 times more than the top income group. Of the INR 1,729 crore in treatment cost averted, the bottom income group would avert 7.4 times more than the top income group. About 454,000 men would avoid catastrophic health expenditures and 75,000 men would avoid falling into extreme poverty. The treatment cost and impoverishment averted would save about INR 672 crore in AB-PMJAY. The tax increase would in turn, generate an additional tax revenue of about INR 4,385 crore. In contrast to the distribution of health benefits, the extra revenue generated from the top income group would be about 3.1 times that from the bottom income group. Conclusions : Cigarette tax increase can provide significant health and economic gains and is a pro-poor policy for India.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,156
Score d'incertitude au seuil0,311

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,003
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,186
Tête enseignante GPT0,466
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGates Open ResearchMême sujetGlobal Public Health Policies and EpidemiologyTravaux en français237 207