The health and economic benefits of sugar taxation and vegetables and fruit subsidy scenarios in Canada
Notice bibliographique
Résumé
A tax on sugar-sweetened beverages (SSB) has been implemented in various jurisdictions. Though research confirmed this tax to reduce sugar consumption and to prevent chronic diseases, it also revealed concerns: one concern relates to the small proportion of sugar in the diet coming from SSBs; and another concern relates to the disproportional tax burden to low-income groups. To inform public health decision makers on alternatives, we examined three 'real world' taxation and subsidy scenarios in Canada: 1) a CAD$0.75/100 g tax on SSBs; 2) a CAD$0.75/100 g tax on free sugar in all foods; and 3) a 20% subsidy on vegetables and fruit (V&F). Using national survey data and a proportional multi-state life table-based Markov model, we simulated the changes in disability-adjusted life years, healthcare costs, tax revenue, intervention costs, and incremental cost-effectiveness ratio for five income quintiles after implementing the three scenarios, over a lifetime of the 2015 Canadian adult population. The first, second and third scenario would prevent 28,921, 262,348 and 551 cases of type 2 diabetes, respectively. They would avert 752,353, 12,167,113, and 29,447 disability-adjusted life years and save CAD$12,942 million, 149,927 million, and 442 million in health care costs, respectively, over a lifetime. Combining the second and third scenarios would lead to the largest health and economic benefits. Although the lowest income quintile would bear a higher sugar tax burden (0.81% of income, CAD$120/person/year), this would be compensated by a coinciding subsidy on V&F (1.30% of income, CAD$194/person/year). These findings support policies that include a tax on all free sugar in foods and a subsidy on V&F as an effective means to reduce chronic diseases and health care costs. Although the sugar tax was financially regressive, the V&F subsidy could compensate for the tax burden of the disadvantaged groups and improve health and economic equity.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| 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) | 0,004 | 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 ».