Effectiveness and Feasibility of Taxing Salt and Foods High in Sodium: A Systematic Review of the Evidence
Notice bibliographique
Résumé
Diets high in salt are a leading risk for death and disability globally. Taxing unhealthy food is an effective means of influencing what people eat and improving population health. Although there is a growing body of evidence on taxing products high in sugar, and unhealthy foods more broadly, there is limited knowledge or experience of using fiscal measures to reduce salt consumption. We searched peer-reviewed databases [MEDLINE, Embase, Cochrane Central Register of Controlled Trials (CENTRAL), and the Cochrane Database of Systematic Reviews] and gray literature for studies published between January 2000 and October 2019. Studies were included if they provided information on the impact on salt consumption of: taxes on salt; taxes on foods high in salt, and taxes on unhealthy foods defined to include foods high in salt. Studies were excluded if their definition of unhealthy foods did not specify high salt or sodium. We found 18 relevant studies, including 15 studies reporting the effects of salt taxes through modeling (8), real-world evaluation (4), experimental design (2), or review of cost-effectiveness (1); 6 studies providing information relevant to country implementation of salt taxes; and 2 studies reporting stakeholder perceptions toward salt taxation. Although there is some evidence on the potential effectiveness and cost-effectiveness of salt taxation, especially from modeling studies, uptake of salt taxation is limited in practice. Some modeling studies suggested that food taxes can have unintended outcomes such as reduced consumption of healthy foods, or increased consumption of unhealthy, untaxed substitutes. In contrast, modeling studies that combined taxes for unhealthy foods with subsidies found that the benefits were increased. Modeling suggests that taxing all foods based on their salt content is likely to have more impact than taxing specific products high in salt given that salt is pervasive in the food chain. However, the limited experience we found suggests that policy-makers favor taxing specific products.
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 | 0,021 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,015 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».