Impact of price reductions, subsidies, or financial incentives on healthy food purchases and consumption: a systematic review and meta-analysis
Notice bibliographique
Résumé
Poor diets are a global concern and are linked with various adverse health outcomes. Healthier foods such as fruit and vegetables are often more expensive than unhealthy options. This study aimed to assess the effect of price reductions for healthy food (including fruit and vegetables) on diet. We performed a systematic review and meta-analysis on studies that looked at the effects of financial incentives on healthy food. Main outcomes were change in purchase and consumption of foods following a targeted price reduction. We searched electronic databases (MEDLINE, EconLit, Embase, Cinahl, Cochrane Library, and Web of Science), citations, and used reference screening to identify relevant studies from Jan 1, 2013, to Dec 20, 2021, without language restrictions. We stratified results by population targeted (low-income populations vs general population), the food group that the reduction was applied to (fruit and vegetables, or other healthier foods), and study design. Percentage price reduction was standardised to assess the effect in meta-analyses. Study quality was assessed using the Cochrane Risk of Bias tool and Newcastle-Ottawa Scale. 34 studies were eligible; 15 took place in supermarkets and eight took place in workplace canteens in high-income countries, and 21 were targeted at socioeconomically disadvantaged communities. Pooled analyses of 14 studies showed a price reduction of 20% resulted in increases in fruit and vegetable purchases by 16·62% (95% CI 12·32 to 20·91). Few studies had maintained the price reduction for over 6 months. In conclusion, price reductions can lead to increases in purchases of fruit and vegetables, potentially sufficient to generate health benefits, if sustained.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,001 |
| Bibliométrie | 0,000 | 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 ».