Measuring cost and affordability of current vs. healthy diets in Argentina: an application of linear programming and the INFORMAS protocol
Notice bibliographique
Résumé
BACKGROUND: Food cost and affordability is one of the main barriers to improve the nutritional quality of diets of the population. However, in Argentina, where over 60% of adults and 40% of children and adolescents are overweight or obese, little is known about the difference in cost and affordability of healthier diets compared to ordinary, less healthy ones. METHODS: We implemented the "optimal approach" proposed by the International Network for Food and Obesity/non-communicable diseases Research, Monitoring and Action Support (INFORMAS). We modelled the current diet and two types of healthy diets, one equal in energy with the current diet and one 6.3% lower in energy by linear programming. Cost estimations were performed by collecting food product prices and running a Monte Carlo simulation (10,000 iterations) to obtain a range of costs for each model diet. Affordability was measured as the percentage contribution of diet cost vs. average household income in average, poor and extremely poor households and by income deciles. RESULTS: On average, households must spend 32% more money on food to ensure equal energy intake from a healthy diet than from a current model diet. When the energy intake target was reduced by 6.3%, the difference in cost was 22%. There are no reasonably likely situations in which any of these healthy diets could cost less or the same than the current unhealthier one. Over 50% of households would be unable to afford the modelled healthy diets, while 40% could not afford the current diet. CONCLUSIONS: Differential cost and affordability of healthy vs. unhealthy diets are germane to the design of effective public policies to reduce obesity and NCDs in Argentina. It is necessary to implement urgent measures to transform the obesogenic environment, making healthier products more affordable, available and desirable, and discouraging consumption of nutrient-poor, energy-rich foods.
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 | 0,033 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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 ».