Reducing alcohol harms whilst minimising impact on hospitality businesses: ‘Sweetspot’ policy options
Notice bibliographique
Résumé
BACKGROUND: During COVID-19, hospitality businesses (e.g. bars, restaurants) were closed/restricted whilst off-sales of alcohol increased, with health consequences. Post-covid, governments face lobbying to support such businesses, but many health services remain under pressure. We appraised 'sweetspot' policy options: those with potential to benefit public services and health, whilst avoiding or minimising negative impact on the hospitality sector. METHODS: We conducted rapid non-systematic evidence reviews using index papers, citation searches and team knowledge to summarise the literature relating to four possible 'sweetspot' policy areas: pricing interventions (9 systematic reviews (SR); 14 papers/reports); regulation of online sales (1 SR; 1 paper); place-shaping (2 SRs; 18 papers/reports); and violence reduction initiatives (9 SRs; 24 papers/reports); and led two expert workshops (n = 11). RESULTS: Interventions that raise the price of cheaper shop-bought alcohol appear promising as 'sweetspot' policies; any impact on hospitality is likely small and potentially positive. Restrictions on online sales such as speed or timing of delivery may reduce harm and diversion of consumption from on-trade to home settings. Place-shaping is not well-supported by evidence and experts were sceptical. Reduced late-night trading hours likely reduce violence; evidence of impact on hospitality is scant. Other violence reduction initiatives may modestly reduce harms whilst supporting hospitality, but require resources to deliver multiple measures simultaneously in partnership. CONCLUSIONS: Available evidence and expert views point to regulation of pricing and online sales as having greatest potential as 'sweetspot' alcohol policies, reducing alcohol harm whilst minimising negative impact on hospitality businesses.
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 | 0,043 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,010 | 0,016 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,001 |
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.
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 ».