Observational study of population level disparities in food costs in 2021 in Canada: A digital national nutritious food basket (dNNFB)
Notice bibliographique
Résumé
The aim of this work was to assess the feasibility and effect of applying a nationally representative and highly disaggregated food costing measure across Canada, through the novel application of web-scraping technology to the methods of the National Nutritious Food Basket (NNFB). Further, this study tested the hypothesis that a product-matched digital NNFB (dNNFB) correlates with existing market basket measures and quantified any differences in costs. This was an observational cross-sectional study using web scraped food price data collected in November 2021. Food price data was collected from the majority of Loblaw's banners across Canada, resulting in a final store sample of 751 stores sourced from 11 retail banners. Stores were located across all five Statistics Canada regions, including all provinces and territories with the exception of Nunavut. Store-level dNNFB costs were computed, adjusted by age-sex group, and summarized by geographic region and banner. dNNFB costs were then compared with existing national statistics office estimates (Market Basket Measure thresholds for reference families). dNNFB costs varied widely across the country, with notable differences by regional, store-level, and age-sex group characteristics. When compared to reported national statistics, our estimates exceeded the national market basket measure in every comparison in corresponding sub-national geography across the country, with correlation varying from 0.49 to 0.78 dependent on summary comparator. Digital collection of food price data was a feasible strategy for market basket costing. Our findings suggest we may be routinely underestimating the impact of food inflation for consumers, particularly those restricted to certain food environments.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».