快餐购买和当地饮食环境之间的联系外文翻译资料

快餐购买和当地饮食环境之间的联系

Lukar E Thornton and AM Kavanagh

研究目标：在这项研究中，提出一个能衡量饮食环境健康与否的特点的工具，调查出整个饮食环境和快餐消费之间的联系。

研究设计和主题：在咨询了这一领域的其他学术研究，发现餐厅被归类为健康和不健康两类，按健康/不健康饮食习惯的权重加权得出。食品环境健康与否的评估分数（FES）是根据这些权重得出的。采用横断面研究设计，多层次多项式回归被用于评估整个饮食环境对2547个被研究者的快餐消费的影响。

结果：健康水平较高地区的受访者与从来不消费快餐的受访者相比，他们少量和经常消费快餐的可能性更低。但是，当同时模拟不健康FES（比值比（OR）0.52；95%置信区间（CI）0.32-0.83），只有少量消费仍然显著。尽管经常消费快餐的可能性较低和生活在最高组的不健康的FES相关，但是一旦健康FES包含在模型中，那么联系就不存在了。在我们的二元模型能够中，住在不健康FES高于健康FES地区的受访者，他们更倾向于少量消费快餐（OR1.35；95% CI1.00-1.82）但是没有发现频繁消费有什么关联。

结论：我们的研究提供了一些证据表明健康的饮食环境可能阻碍了快餐的消费。

关键词：饮食环境；快餐；饮食习惯；多层次研究；地区缺陷

引言

饮食习惯和膳食指南推荐一致对拥有一个健康的身体很重要。饮食不健康的人身体不健康的风险要比普通人更大一些。频繁消费快餐的人，肥胖和糖尿病的发病率会更高。

最近，邻里环境被认为对饮食习惯有潜在影响，虽然迄今为止没有明确的证据，也没有一致的方法来测量环境危险因素。最近的检验表明大多数研究调查中社区获知食物商店只考虑单一的或有限的食品店的类型的曝光程度。例如，连锁超市和蔬菜水果商常常被作为健康食物的代表。而便利店和快餐店则被作为不健康食物的代表。此外，通常情况下，健康和不健康的店铺不作同时考虑，展现了一个不完整的食物环境图。某些食物（比如快餐）将不仅会被接入到店铺的产品（如快餐餐厅）还有被替代的食物来源影响是合理的。

关于食品环境在食品相关行为中的作用的研究很少。用BMI作为结果，一个来自美国的研究调查了14个类型的店铺，把它们分类为BMI健康，BMI中间和BMI不健康三类。他们在纽约地区的分析表明，居住在BMI健康密度较高的地区的居民的平均BMI和肥胖及糖尿病普及率都较低。另一项美国研究调查出了肥胖和11种食品商铺类型以及食品服务场所之间的联系。在调整了个体因素后，连锁超市，有限的服务餐厅和特色餐厅辐射范围内肥胖发生率较低，而食品杂货店和连锁快餐店的发生率较高。

这项研究调查了得到澳大利亚墨尔本地区49个小区内2547个人的数据，探讨了快餐消费和各种食品店铺类型的关系。发现健康和不健康的食物环境，按健康/不健康饮食习惯的权重加权得出。

对象和方法

抽样

分析了由拉特巴大学人类伦理委员会批准的收集于2003年的多层次的维多利亚时代的生活方式和邻里环境研究报告（VicLANES）的部分数据。VicLANES是澳大利亚墨尔本在大都市背景下进行的，运用了前面所述的全抽样方法。简单的说，我们随机抽取50个人口密集地区（CCDs）（主城区平均大小有220户住宅）从至少（n1/4 17CCDs）（指低收入家庭7%，范围3.5-8.5之间），中期（n1/416）(指31.4%,范围24.1%-59.6%)。住户是从这些50个CCD采样和食品采购调查是随机抽取3995个住户给他们发送邮件。这项调查是由承担了家庭大部分的食品购物的人完成。共收到2564份有效答卷（64％的回应率）和最终的分析了49个在外50 VicLANES CCD（2547人参加）。我们排除了该地区包含在墨尔本中央商务区的缓冲区和由于大量存在于主要满足非居民专卖店（N 1/4 841店铺）的地区偏见。

因变量

调查期间，在家消费来自澳大利亚的五大快餐连锁店：红公鸡，麦当劳，肯德基，汉堡王和必胜客的次数的结果，记录每个连锁店的消费频次分类（从不，1次，2-3次，4-6次，7-10次或11次以上）和它们的和（用每个类别的中位数与范围是11或以上的类别）确定总消费量。最后结果重新归类为：1）在过去的一个月从来没有吃过; 2）在过去的一个月（罕见）吃一至三次; 3）过去一个月（经常）吃4次或更多次。

食品环境数据收集

在个人调查的同时收集了食品环境数据，受过训练的实地调查员收集了地理位置信息和在14个抽样人口密集区内的各种类型的能在在两公里以内地区发送外卖的食品店。在数据收集期间，我们把商铺分成了1-17样类别以及不包括店铺销售的产品只适用于现场消费（如，只在餐厅里吃）。实地调查数据是通过收集了附近50个区域的5062家食品店（49/4221包含的CCDS）的地址和类型得出的。

建立食品环境评分（FES）

A级FES是通过计算49个区域每个区域商店测量thorn;10（健康）至?10（不健康）从多到少加权并求和。每个店铺类型的加权都是通过与8位学者（来自澳大利亚和国际）创建电子邮件参与协商得到的。这些参与者都被认为是在食品环境领域的权威（博士后）以及他们对相关主题，网络搜索和这个领域的文献进行了整合评鉴。研究人员被要求从thorn;10（能鼓励地方居民生成健康饮食习惯）到10（使地方居民产品不健康的饮食习惯）来对店铺进行分级。使用正数和负数的主要原因是这能将健康或不健康商铺区分开来，并且可以区分某些不健康因素而不是健康因素的商铺。评分时，研究人员要求要牢记这几个因素如：（1）要获得店铺类型中健康和不健康条款的比例；（2）可能开放的时间（作为可以达到的反映）；（3）店铺能否自驾通过或者送货上门（外卖或杂货店）；（4）在社区中有这类店铺的潜在的健康益处/风险。

基于初步收集到的数据，我们创建了一组统计店铺类型的得分总和，给研究人员更改原始得分的选项。在这个阶段，三个参与者细微的改变了他们得分。考虑到研究人员的专业知识，我们有信心，利用这个方法将是一个制定适用于店铺的权重的方法伟大进步。最终得分在表1中。

表1.食品店铺和食品环境分数分配给各个商品类型的描述

计算区域的FES，每个店铺类型的平均分数用于建立健康和不健康食物的相关变量。计算最终区域健康/不健康FES的步骤如下：

1）将店铺归类为健康（正数）（如，大型连锁超市）或不健康（负数）（如，外卖店—主要）

2）每个店铺类别是将缓冲区内店铺的数量乘以分配给他的分数。如，如果在缓冲区内有两个大型超市，这将为健康FES贡献12.6。（2*6.3）

3）每个健康店铺的成绩值相加在一起生成一个健康FES。同样的过程应用到不健康商铺来生成不健康FES并将正数值转换成负数值来分析不健康食品分数。

（四分位）变量的分类是为这些分数建立的，因为分布呈正态偏向（表2）。这些值表明人们是否有高的，中等的或低的健康或不健康食物选择有FES确定。我们还建立了二进制估量，表明一个地区是否不健康FES高于健康FES。

混杂因素

我们对一些潜在的混杂因素进行了调整。包括年龄（18––24；25 34；35 44 45––；54；55–64；65岁或以上）；出生国（澳大利亚；海外）；教育（本科以上；文凭；职业；没有后续教育的资格）、职业（职业白领；蓝领；不算劳动力）的主要家庭食品购物者；家庭结构（单身成年男性--没有孩子；单身成年女性--没有孩子；单身的成人—有孩子的；两个或两个以上的成年人--没有孩子；两个或两个以上的成人—有孩子），家庭收入（78000美元以上；52000–77999美元；36400-51999美元；20800-36399美元；20799美元以下 ）和地区级的缺点（如上所述采样）

统计分析

数据重建。是个数据集生成了舍去个人层面项（包括收入（舍去35%））的估算值。多次进行多重填补，估计的精确度有所增加。在Stata10.1内在MAR假设下运用基于链式方程的用户编写的命令归责原则（ICE）(P Royston)估计数据。进一步的完善细节这种方法在其他地方发表。

描述性分析。用卡方检验交叉表来评估是否那些居住在健康和不健康FES组购买快餐频次的差异。所有的描述性分析都在Stata10.1进行。

多层次分成。多水平多项式回归被用于估计在10组输入数据下快餐消费对事物环境的影响。这是在Stata10中运用允许进行跨多个数据集分析的GLLAMM功能前缀由用户编写“mim”命令得出的（由JC Galati, P Royston, and JB Carlin建立)）。

将分析模型进行拟合，运用下列指标确定家庭快餐消费和当地食物环境的关系：（1）健康的FES；（2）不健康的FES；（3）健康和不健康的FES的同时；（4）显示领域，不健康FES比健康FES高 。我们同时包括了健康的FES和不健康的FES，来控不健康FES对健康FES确定的影响，反之亦然。结果以消费或不经常消费与从不消费为基础进行比较的可能性，报告的结果是包括壳所有潜在混杂因素的模型。