MétaCan
Menu
Retour à la cohorte
Enregistrement W4387460851 · doi:10.1136/bmjgh-2023-011866

Taxation of tobacco, alcohol, and sugar-sweetened beverages: reviewing the evidence and dispelling the myths

2023· review· en· W4387460851 sur OpenAlexafffund
Guillermo Paraje, Prabhat Jha, William D. Savedoff, Alan Fuchs

Notice bibliographique

RevueBMJ Global Health · 2023
Typereview
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Public Health Policies and Epidemiology
Établissements canadiensUniversity of TorontoCentre for Global Health ResearchSt. Michael's Hospital
Organismes subventionnairesInternational Development Research CentreBloomberg PhilanthropiesWorld Bank Group
Mots-clésSweetening agentsSugarEnvironmental healthMythologyAlcoholFood sciencePublic economicsMedicineEconomicsChemistryBiochemistry

Résumé

récupéré en direct d'OpenAlex

The article reviews the large body of evidence on how taxation affects the consumption of tobacco, alcohol, and sugar-sweetened beverages (SSB). There is abundant evidence that demand for tobacco, alcohol, and SSB is price-responsive and that tax changes are quickly passed on to consumers. This suggests that taxes can be highly effective in changing consumption and reducing the burden of diseases associated with consuming these products. Tobacco, alcohol, and SSB industries oppose taxation on similar grounds, mostly on the regressivity of taxes since regressive taxes take a larger percentage of income from low income earners than from middle and high income earners; but also on the effects taxes might have on employment and economic activity; and, in the case of tobacco, the effects taxation has on illicit trade.Contrary to industry arguments, evidence shows that taxation may have short-term negative financial consequences for low-income households. However, medium and long-term financial benefits from reduced healthcare costs, better health, and welfare largely compensate for such consequences. Moreover, taxation does not negatively affect aggregate economic activity or employment, as consumers switch demand to other products that generate employment and may compensate for any employment loss in taxed sectors. Evidence also shows the revenues generated are generally spent on labour-intensive services. In the case of illicit trade in tobacco, evidence shows that illicit trade has not increased globally (rather the opposite) despite increases in tobacco taxes. Profit-maximising smugglers increase illicit cigarette prices along with the increases in licit cigarette prices. This implies that even when increased taxes divert some demand to the illicit market, they push prices up in the illicit market, discouraging consumption.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,041
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0060,006
Études des sciences et des technologies0,0010,006
Communication savante0,0040,008
Science ouverte0,0020,002
Intégrité de la recherche0,0050,007
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,234
Tête enseignante GPT0,469
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBMJ Global HealthMême sujetGlobal Public Health Policies and EpidemiologyTravaux en français237 207