Роли Концептуализация, куриране на данни, формален анализ, разследване, методология, администриране на проекти, надзор, валидиране, писане - оригинален проект

португалския

Партньорски център за здравна политика, Институт за глобални здравни иновации, Imperial College London, Лондон, Великобритания

Роли Концептуализация, куриране на данни, методология, софтуер, валидиране, писане - оригинален проект

Отдел за връзки с общественото здраве и съдебните науки и медицинското образование, Медицински факултет, Университет в Порто, Порто, Португалия, Отдел за епидемиология, Институт за обществено здраве, Университет в Порто, Португалия

Концептуализация на ролите, куриране на данни, официален анализ, разследване, методология, валидиране, писане - оригинален проект

Партньорски център за иновации, технологии и политически изследвания, Университет в Лисабон, Лисабон, Португалия

Роли Формален анализ, валидиране, писане - преглед и редактиране

Генерална дирекция за здравеопазване, Лисабон, Португалия, Факултет по хранене и хранителни науки, Университет в Порто, Порто, Португалия

Концептуализация на роли, официален анализ, валидиране, писане - оригинален проект, писане - преглед и редактиране

Отделение Nuffield Отдел за първични здравни науки, Университет в Оксфорд, Оксфорд, Англия

Разследване на роли, валидиране, визуализация, писане - оригинален проект

Отдел за психологически науки, Университет в Ливърпул, Ливърпул, Великобритания

Роли Формален анализ, валидиране, писане - оригинален проект

Присъединителен център за публична администрация и публични политики, Институт за социални и политически науки, Университет в Лисабон, Лисабон, Португалия

Роли Куриране на данни, валидиране, писане - оригинален проект, писане - преглед и редактиране

Отдел за изследователска епидемиология, Институт за обществено здраве, Университет в Порто, Порто, Португалия, Факултет по хранене и хранителни науки, Университет в Порто, Порто, Португалия

Роли Концептуализация, формален анализ, надзор, валидиране, писане - оригинален проект

Отдел по икономика и публична политика, Имперски колеж, бизнес училище, Лондон, Обединеното кралство, Център за здравна икономика и иновации в политиката, Императорски колеж, бизнес училище, Лондон, Великобритания

Надзор на ролите, валидиране, писане - оригинален проект, писане - преглед и редактиране

Партньорски отдел по хирургия и рак, Imperial College London, Лондон, Великобритания

Роли Куриране на данни, валидиране, писане - оригинален проект, писане - преглед и редактиране

Асоциация Сътруднически център на СЗО за хранене и детско затлъстяване, Национален здравен институт (INSA), Лисабон, Португалия

Концептуализация на роли, официален анализ, валидиране, писане - оригинален проект, писане - преглед и редактиране

Сдружение СЗО Европейска служба за превенция и контрол на неинфекциозни болести, Регионално бюро на СЗО за Европа, Москва, Руска федерация

Концептуализация на роли, официален анализ, валидиране, писане - оригинален проект, писане - преглед и редактиране

Сдружение СЗО Европейска служба за превенция и контрол на неинфекциозни болести, Регионална служба на СЗО за Европа, Москва, Руска федерация

Роли Формален анализ, надзор, валидиране, писане - оригинален проект, писане - преглед и редактиране

Партньорски отдел по хирургия и рак, Imperial College London, Лондон, Великобритания

Роли Концептуализация, надзор, валидиране, писане - оригинален проект, писане - преглед и редактиране

Университетска болница на Сао Жоао, Медицински факултет, Университет в Порто, Порто, Португалия

Концептуализация на ролите, куриране на данни, официален анализ, разследване, методология, надзор, валидиране, писане - оригинален проект

Отдел за връзки с общественото здраве и съдебните науки и медицинското образование, Медицински факултет, Университет в Порто, Порто, Португалия, Отдел за епидемиология, Институт за обществено здраве, Университет в Порто, Португалия

  • Франсиско Гояна-да-Силва,
  • Милтън Северо,
  • Дейвид Круз д Силва,
  • Мария Жоао Грегорио,
  • Люк Н. Алън,
  • Магдалена Мук,
  • Александър Морайс Нунес,
  • Дуарте Торес,
  • Мариса Миралдо,
  • Хутан Ашрафян

Фигури

Резюме

Заден план

Прекомерната консумация на захар има добре установена връзка със затлъстяването. Предварителните резултати показват, че данъкът, наложен върху подсладените със захар напитки (SSB) от португалското правителство през 2017 г., доведе до спад в продажбите и преформулирането на тези продукти. Това проучване моделира въздействието на пазарните промени, предизвикани от данъка, наложен върху SSBs, върху честотата на затлъстяването при различни възрастови групи в Португалия.

Методи и констатации

Първият обратен сценарий отчита само намаляването на съдържанието на захар поради преформулиране на продукта през 2017 г., като се поддържа постоянен обемът на консумация съгласно изходната информация за индивидуалното потребление (IAN-AF 2015–2016). Вторият обратен сценарий включва промени както в съдържанието на захар, така и в обема на продажбите на SSB въз основа на наблюдаваните данни за продажбите на дребно, получени от потребителския панел на Neilson за общите продажби на SSB, калибрирани с информация от данъчните приходи, както е описано по-долу. Третият съпоставим сценарий включва промени както в съдържанието на захар, така и в обема на продажбите на SSB, но използва само данни от данъчните приходи. Предположението на изследователите беше, че първият контрафакти дава най-ниската стойност на потенциалното въздействие на данъчната политика, третият контрафакти дава най-голямото потенциално въздействие на данъчната политика, а вторият контрафакти е най-близо до очакваната естествена тенденция на потребление от данъчна политика.

Като се има предвид, че обемът на продажбите на SSBs (Vt) както от данните за пазара на Nielsen, така и от данъчните приходи показва сезонен ефект, беше използван тригонометричен модел на линейна регресия, за да се получи тенденцията на обема на продажбите на SSB (модел 1). Този модел беше приложен отделно към данъчните приходи и данните за пазара на Nielsen. с Vtd за източник на данни d = представляващ продажбите от данните за данъчните приходи (d = r) и от данните за пазара на Nielsen (d = m).

Първият и вторият член на уравнението позволяват да се направи оценка на линейната тенденция по години (β0d + β1d × Yt), докато третият и четвъртият член позволяват оценка на сезонната тенденция по месец s (Mdt). За липсващите данъчни данни в периода преди данъчно облагане приехме линейна прогноза, използвайки прогнозните коефициенти от модел 1. Тъй като пазарните данни също не са пълни за 2018 г., също така беше приета линейна прогноза за периода след 2017 г. използвайки изчислените коефициенти от модел 1.

За данните за пазара на Nielsen беше извършено калибриране, за да се представи общият обем. Данните за пазара на Nielsen представляват само продукти с частна марка, покриващи само 67% от пазара, но позволяват по-дезагрегиран анализ, докато данните за данъчните приходи (наричани още данъчни данни) представляват всички SSBs, като се приема, че данъчната декларация и плащането на данъци е точна и пълна.

Калибрирането на данните за пазара на Nielsen () беше оценено с помощта на следния модел: и бяха използвани за калибриране на данните за пазара на Nielsen, за да се оцени процентната промяна на обема на продажбите на SSB от базовата година преди данъчно облагане (2016) до след данъчна година (2018), която ще се използва в противоположния сценарий 2 (2016–2018) (PPVSSB2): Формулата на Собел [28] е използвана за оценка на 95% доверителните интервали (CI) за оценка на намаления обем на продажбите на SSBs, след калибриране ().

Изчислените и от модел 1 бяха използвани за оценка на процентната промяна на обема на продажбите на SSB, като се използва данъчна информация за приходите от изходното ниво до 2018 г., която ще се използва в противоположния сценарий 3 (2016–2018) (PPVSSB3): Предполага се линейна прогноза за периода след 2017 г., като се използват прогнозните коефициенти от модел 1 и модел 2.

Индивидуалният прием на SSB се прогнозира за противоположни сценарии 2 и 3 чрез умножаване на индивидуалния прием на SSB над PPVSSB2 и PPVSSB3, съответно.

Тези прогнози бяха използвани за изчисляване на SSB DED, както беше обяснено по-горе. SSB DED беше разделен на 6 категории според 5-ия, 25-ия, 50-ия, 75-ия и 95-ия процентил, получени от обичайното разпределение на приема (SPADE) [29], и беше използван за оценка на относителния риск (RR) за всеки DED категория, като се използва следната формула: където a е връзката между DED и затлъстяването, извлечена от мета-анализ, който комбинира данни от 23 проспективни кохортни проучвания (a = 1,13) [30] и x е стойността на DED за горната граница на категорията за всички категории с изключение на последната, за която x е била долната граница плюс амплитудата на предишния интервал.

След това изчислените RR бяха използвани за изчисляване на PIF, използвайки формулата за RR смяна: където е RR на категория c за противоположния сценарий на диетичния интензитет, свързан с консумацията на SSBs, RRc е RR за категория c за базовата линия на SSB DED, а pc е делът на населението в категория c. Броят на предотвратените случаи се дава, където N е броят на индивидите в популацията, а Ip е честотата на затлъстяване в популацията. Броят на лицата в населението по възрастови категории е получен от данните от преброяването. Данните за честотата на затлъстяването и 95% CI са получени от посочените португалски кохорти [24,26,27,31].

Оценките за броя на предотвратените случаи на затлъстяване не предполагат по-нататъшно преформулиране или промени, освен данъчното облагане на SSB.

Това проучване няма протокол за бъдещо проучване. Всички анализи бяха извършени в съответствие с първоначално планираното и нямаше промени в анализите, основани на данни. Ръкописът е преработен в отговор на предложенията на рецензенти. Ревизиите обаче не променят естеството, нито обхвата на анализите.

Резултати

На Фигура 1 можем да наблюдаваме значителна квадратична тенденция на енергиен прием от SSBs (p Фигура 1. Времева тенденция на средния енергиен прием от подсладени захарни напитки (в kcal/100 ml) на подсладен захарен продукт за напитки, използвайки пазарни данни.

Фигура 2 представя тенденцията във времето на общите продажби на SSBs според различни източници на данни. Първо, използвахме наблюдаваните данни от пазарните продажби (потребителски панел на Nielsen) от 2016–2018 г. (плътна червена линия) и съответните стойности, оценени от модел 1 (пунктирана червена линия). Тъй като потребителският панел на Nielsen отговаря на само 67% от пазара, в модел 1 са използвани данни от данъчни приходи за 2017 и 2018 г. (плътна черна линия), за да има по-точна прогноза за целия анализиран период от време (пунктирано синьо линия). Вторият модел включва калибриране на пазарните данни спрямо общия обем на продажбите, като се използва данъчна информация (пунктирана зелена линия).

Тенденция във времето на продажбите на подсладени захарни напитки, измерена с наблюдаваните данни за данъчните приходи, налични само след данъчно облагане (плътна черна линия) и измерена с пазарни данни на Nielsen, налични за целия период 2016–2018 (червена плътна линия) прогнози за общи продажби от данните за данъчните приходи съгласно модел 1 (пунктирана синя линия със и без сезонност), прогнози за общи продажби според пазарни данни, използващи модел 1 (пунктирана червена линия със и без сезонност); и калибрирани данни на Nielsen от модел 2 (пунктирана зелена линия със и без сезонност). Прекъснатите криви представляват данните със сезонност, докато правите линии представляват данните без сезонност.

Тъй като наблюдаваната тенденция във времето за консумация на SSB показва силна сезонност (фиг. 2), крайните тенденции бяха коригирани. След коригиране на този ефект се наблюдава намаление от 6,58 (95% ДИ 0,25 до 12,90) милиона литра годишно, като се използват данъчни данни (линейна синя линия), докато намаление от 0,95 (95% ДИ 0,16 до 1,74) милиона литра годишно се наблюдава при използване на пазарни данни (линейна червена линия). Калибрирането на пазарните данни (модел 2) показва спад от 1,73 (95% ДИ 0,20 до 3,25) милиона литра годишно (линейна зелена линия). Това съответства на процентно намаление на потреблението съответно с 11% и 21% за данните на пазара и данъчните данни в сравнение с базовите данни за потреблението на IAN-AF 2015–2016.

Таблица 1 представя процентното разпределение на DED от SSBs, по възрастови групи, през 2016 г. (изходно ниво) и през 2018 г., като се вземат предвид различните противоположни сценарии. Медианата на DED на изходно ниво е по-висока при юноши (на възраст от 10 до Таблица 1. Диетична енергийна плътност от подсладени захарни напитки през 2016 г. (изходно ниво) и 2018 г. (противоположни сценарии), по възрастова група.

В таблица 2 PIF и броят на случаите на предотвратяване на затлъстяване по възрастови групи са оценени за първото противоположно състояние, като се има предвид само преформулиране на SSBs, особено намаляване на захарта. Фракцията на въздействие е по-висока при юноши (0,012%), което съответства на годишен брой случаи на предотвратяване на затлъстяване от 0,76. При възрастни на възраст от 18 до Таблица 2. Фракция с потенциално въздействие (PIF) и предотвратени случаи на затлъстяване поради намаляването на съдържанието на захар в подсладените със захар напитки (контрафакти 1) и поради намаляването на съдържанието на захар и обема на консумация (контрафакти 2 и 3).

Като се има предвид крайният сценарий (съпоставим 3), следващата най-висока фракция на въздействие, след това в юношеската възрастова група, се наблюдава при възрастни (0,062%) и след това при деца (0,049%). Възрастните възрастни (на възраст ≥65 години) показват най-ниското прогнозирано въздействие (0,023%).

Дискусия

Нашите данни показват, че налогът на SSB в Португалия е постигнал целта си чрез намаляване на продажбите на SSB и стимулиране на преформулирането към по-ниски нива на съдържание на захар. Нашите моделиращи анализи изчисляват, че португалският данък върху захарта ще има положителен ефект върху честотата на затлъстяване сред населението в средносрочен и дългосрочен план. Намалението на продажбите на SSBs се изчислява на 6,6 милиона литра годишно (21% намаление в обема), а средната енергийна плътност на SSB намалява с 3,1 kcal на 100 ml. Прогнозираното въздействие на такава фискална намеса върху здравните резултати, включително затлъстяването, зависи от различни фактори като разпространението на затлъстяването, нивото на потребление на SSB, размера на данъка, първоначалния базов данък и цената на тези продукти. Като се вземат предвид наблюдаваните пазарни промени и последващото намаляване на приема на захар поради SSBs, сме изчислили, че в средносрочен план свързаното с данъците намаляване на потреблението на захар ще предотврати около 40–78 нови случая на затлъстяване в Португалия всяка година. Въпреки че прогнозното въздействие на данъка (опосредствано чрез преформулиране и намалено потребление) може да изглежда малко, то всъщност е 4-8 пъти по-голямо, отколкото би се наблюдавало само от преформулиране.

Анализирайки частта от диетичната енергия, която идва от SSBs, забелязваме, че възрастовата група, в която тези напитки допринасят най-много за енергийния прием, са хора от 10 до 20% [42]. Тези разлики биха могли да обяснят поне някои от несъответствията в констатациите.

Германско проучване за моделиране показа, че прилагането на 20% данък върху SSBs би довело до намаляване на затлъстяването и наднорменото тегло съответно с 3% и 4%, като най-голямата полза се очаква за мъжете на възраст между 20 и 29 години [ 43].

В съответствие с нашето проучване, проучване от Мексико моделира прогнозираната промяна в затлъстяването, използвайки сравнение на приема на калории от SBB преди и след данъчно облагане. Изчислено е, че 10 години след прилагането на данъчното облагане (през 2014 г.) разпространението на затлъстяването ще намалее с 2,54%, като най-голямо ще е въздействието за тези между 20 и 35 години [40].

Една от страните, в която в момента се обсъжда прилагането на налог върху SSB, е Австралия. Проучване, моделиращо потенциалните ползи за здравето от 20% данък в тази страна, показва въздействието върху загубата на тегло сред населението, отново с най-голяма полза за младите хора [41].