Fewer Cancer Cases in 4 Countries of the WHO European Region in 2018 through Increased Alcohol Excise Taxation: A Modelling Study
Notice bibliographique
Résumé
INTRODUCTION: Prevention of cancer has been identified as a major public health priority for Europe, and alcohol is a leading risk factor for various types of cancer. This contribution estimates the number of cancer cases that could have potentially been averted in 2018 in 4 European countries if an increase in alcohol excise taxation had been applied. METHODS: Current country and beverage-specific excise taxation of 4 member states of the WHO European Region (Germany, Italy, Kazakhstan, and Sweden) was used as a baseline, and the potential impacts of increases of 20, 50, and 100% to current excise duties were modelled. A sensitivity analysis was performed, replacing the current tax rates in the 4 countries by those levied in Finland. The resulting increase in tax was assumed to be fully incorporated into the consumer price, and beverage-specific price elasticities of demand were obtained from meta-analyses, assuming less elasticity for heavy drinkers. Model estimates were applied to cancer incidence rates for the year 2018. RESULTS: In the 4 countries, >35,000 cancer cases in 2018 were caused by alcohol consumption, with the highest rate of alcohol-attributable cancers recorded in Germany and the lowest in Sweden. An increase in excise duties on alcohol would have significantly reduced these numbers, with between 3 and 7% of all alcohol-attributable cancer cases being averted if taxation had been increased by 100%. If the 4 countries were to adopt an excise taxation level equivalent to the one currently imposed in Finland, an even higher proportion of alcohol-attributable cancers could be avoided, with Germany alone experiencing 1,600 fewer cancer cases in 1 year. DISCUSSION/CONCLUSION: Increasing excise duties can markedly reduce cancer incidence in European countries.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,015 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».