E-Cigarette Markets and Policy Responses in Southeast Asia: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The global e-cigarette market has proliferated and is increasingly dominated by transnational tobacco companies. While Southeast Asian countries have received relatively little attention in e-cigarette research, the region represents an area of potentially untapped growth for the industry. We review the e-cigarette situation in Southeast Asia in terms of the e-cigarette markets, advertising and promotion of e-cigarettes, reported health impacts of e-cigarette use, and policy responses in the region. METHODS: We examined e-cigarette market data from the Euromonitor Global Market Information Database (GMID) Passport database, searched in the academic literature, grey literature and news archives for any reports or studies of e-cigarette related diseases or injuries, e-cigarette marketing, and e-cigarette policy responses in Southeast Asian countries, and browsed the websites of online e-cigarette retailers catering to the region's active e-cigarette markets. RESULTS: In 2019, e-cigarettes were sold in six Southeast Asian markets with a total market value of $595 million, projected to grow to $766 million by 2023. E-commerce is a significant and growing sales channel in the region, with most of the popular or featured brands in online shops originating from China. Southeast Asian youth are targeted with a wide variety of flavours, trendy designs and point of sale promotions, and several e-cigarette related injuries and diseases have been reported in the region. Policy responses vary considerably between countries, ranging from strict bans to no or partial regulations. CONCLUSION: Although Southeast Asia's e-cigarette market is relatively nascent, this is likely to change if transnationals invest more heavily in the region. Populous countries with weak e-cigarette regulations, notably Indonesia, Malaysia, Vietnam and the Philippines, are desirable targets for the transnationals. Regulatory action is needed to prevent e-cigarette use from becoming entrenched into these societies, especially among young people.
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 | 0,006 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».