Das Geschäft mit der Sucht – wie viel Umsatz macht die Alkoholindustrie mit Risiko- und Hochkonsum?
Bibliographic record
Abstract
Hintergrund und Fragestellung: Trotz offenkundigem Konflikt zwischen staatlichen Public Health-Zielen und wirtschaftlichen Zielen von Alkoholherstellenden inszenieren sich diese als Präventionspartner der Politik, indem sie nicht-evidenzbasierte Lösungen wie Selbstregulation in Werbung und Marketing durchsetzen, schwere Trinker:innen als das eigentliche Problem darstellen und als Lösung einen ‚verantwortungsvollen' Konsum propagieren. Unser Forschungsinteresse besteht darin, zu überprüfen, wie stichhaltig diese Argumentation der Alkoholindustrie ist, indem wir berechnen, wie viel Umsatz sie in Deutschland mit Risiko- und Hochkonsum generiert. Methoden/Erläuterung des Versorgungsprojektes: Zur Beantwortung dieser Fragestellung werden Daten zum Alkoholkonsum der erwachsenen, in Deutschland lebenden Bevölkerung des Epidemiologischen Suchtsurveys 2018 und 2021 mit Daten zu Alkoholausgaben basierend auf der Einkommens- und Verbrauchsstichprobe 2018 verknüpft. In der Berechnung der durchschnittlichen Alkoholausgaben für Bier, Wein, Mixgetränke und Spirituosen pro Personengruppe werden Geschlecht, Alter, Einkommen und Alkoholkonsum berücksichtigt. Durch den Vergleich dieser Durchschnittswerte mit den Gesamtumsätzen der Alkoholindustrie ist es möglich, die Verteilung des Alkoholumsatzes je Trinkgruppe zu bestimmen. Ergebnisse/Erfahrungen, Erwartungen: Erste Analysen deuten darauf hin, dass rund 20% der Gesamtausgaben für alkoholische Getränke auf die Gruppe der Personen mit Hochkonsum entfallen, obwohl diese nur gerade einmal 2.5% der Gesamtpopulation ausmacht. Diskussion und Schlussfolgerung: Obwohl die aktuellen Analysen den Hochkonsum eher unterschätzen, deuten sie bereits darauf hin, dass er einen erheblichen Teil des Umsatzes ausmacht, den Alkoholherstellende in Deutschland generieren. Weiter Ergebnisse werden folgen und im Kontext der bestehenden Literatur diskutiert. Sie können dazu beitragen, das Bewusstsein für die Schieflage zwischen Public Health- und Industriezielen zu schärfen, sowohl in der Bevölkerung als auch in der Politik. Offenlegung von Interessenskonflikten sowie Förderungen: Ich und die Koautorinnen und Koautoren erklären, dass während der letzten 3 Jahre keine wirtschaftlichen Vorteile oder persönlichen Verbindungen bestanden, welche die Arbeit zum eingereichten
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.063 | 0.121 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.013 | 0.016 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.025 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".