Evaluating sugar-sweetened beverage tax effects: online price and sales data from grocers in Canada
Notice bibliographique
Résumé
Newfoundland and Labrador (NL) introduced Canada's first sugar-sweetened beverage (SSB) tax in September 2022. Compared with national averages, NL has higher intakes of SSBs, lower intakes of plain water and milk, with higher rates of overweight and obesity and diabetes. Taxing SSBs is a recommended intervention but real-world effectiveness of SSB taxes requires more investigation. We evaluated changes in weekly beverage prices and sales pre- and post-tax implementation, comparing NL (intervention) to non-tax regions in Canada (control). We used a controlled interrupted time series to evaluate prices from grocery store websites 3 months pre- and post-tax. We observed no differences-in-differences in the intercept [β = -0.024, 95% confidence interval (CI) -0.15-0.10, P = .70] or slope (β = 0.00, 95% CI -0.02-0.02, P = .99) of price changes. We used a repeat cross-sectional study to compare total annual sales of beverage categories in the year pre- and post-tax. Per capita sales in litres of taxable SSB decreased more in NL (-11.6%) than non-tax regions (-6.7%). Per capita sales of diet beverages (+4.4%) and unsweetened water (+2.2%) increased in NL. The NL SSB tax had no immediate impact on retail prices of taxable SSBs measured on product selection pages on grocery websites. Beverage purchasing shifted in NL since the SSB tax start date, however, it is difficult to isolate the impact of the SSB tax from broader market trends or other influencing factors. Long-term evaluation of the NL SSB tax is needed.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».