Impacts of the United Kingdom’s Soft Drinks Industry Levy: a systems-thinking informed systematic scoping review
Notice bibliographique
Résumé
SUMMARY Background Consumption of sugar-sweetened beverages (SSBs) is associated with weight, weight gain and incidence of a number of chronic diseases. The World Health Organization recommends taxation on SSBs to reduce consumption. In 2018 the United Kingdom introduced the Soft Drinks Industry Levy (SDIL), a tiered tax on manufacturers and importers of SSBs. We aimed to review the consequences of the SDIL across all potential outcomes, informed by a systems thinking approach, to understand the range and importance of its effects. Methods We undertook a systematic scoping review of empirical studies of the SDIL. We used a conceptual systems map of the hypothesised pathways of effect to inform data extraction and narrative synthesis. Findings are presented in an evidence map and their consistency assessed. Results 38 studies met our inclusion criteria. The SDIL was consistently associated with reformulation of soft drinks to reduce sugar content. It was also consistently associated with: reduced purchasing of sugar from eligible drinks without increasing purchasing of substitute products such as alcohol and confectionary; longer-term improvements in acute and chronic health outcomes; and reduced health and social care costs, with few negative economic impacts for industry. Conclusions By systematically mapping all outcomes evaluated, we have demonstrated the systemic and interconnected impacts of the SDIL. Further research should seek deeper understanding of how to evaluate such interventions as events in complex adaptive systems.
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 | 0,035 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,021 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».