Concentration of Cannabis and Tobacco Retailers in Los Angeles County, California: A Spatial Analysis of Potential Effects on Youth and Ethnic Minorities
Notice bibliographique
Résumé
Objective: Cannabis and tobacco retailers are believed to cluster in areas with more racial/ethnic minorities, which could account for the disproportionate use of blunts in Black and Hispanic communities. The current study examined the spatial relationship between cannabis and licensed tobacco retailers in Los Angeles County, California, and assessed whether various neighborhood and business factors influenced the spatial patterning. Method: Generalized additive models were used to test the association between the location of cannabis retailers (N = 429) and their accessibility potential (AP) to tobacco retailers (N = 8,033). The covariates included cannabis licensure status, median household income, population density, percentages of racial/ethnic minorities and young adults (18–34), unemployment status, families living in poverty, minimum completion of high school/General Educational Development (GED) credential, and industrial businesses by census tract. Results: The location of cannabis retailers was significantly associated with AP in all adjusted models (p < .005). The percentage of racial/ethnic minorities, age (18–34 years), and nonlicensure of cannabis retailers, which were positively correlated with AP (p < .05), confounded the association between AP and cannabis retailer location. Conclusions: The concentration of unlicensed cannabis retailers and tobacco retailers in young and racially/ethnically diverse neighborhoods may increase access to and use of cigarillos for blunt smoking. Jurisdictions within Los Angeles County should consider passing ordinances requiring minimum distances between cannabis and tobacco retailers.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».