Cost of healthy and culturally acceptable diets in Brazil in 2009 and 2018

Eliseu Verly, Junior; Dayan Carvalho Ramos Salles de Oliveira; Rosely Sichieri

doi:10.11606/s1518-8787.2021055003329

. 2021 Nov 12;55(Suppl 1):7s. doi: 10.11606/s1518-8787.2021055003329

View full-text in Portuguese

Cost of healthy and culturally acceptable diets in Brazil in 2009 and 2018

Eliseu Verly Junior ^I, Dayan Carvalho Ramos Salles de Oliveira ^I, Rosely Sichieri ^I

PMCID: PMC8627151 PMID: 34852164

ABSTRACT

OBJECTIVE

To estimate the lowest cost of a healthy and culturally acceptable diet and to assess the evolution of its cost in the periods 2008–2009 and 2017–2018.

METHODS

We used data on the individual food consumption and food prices from the Pesquisas de Orçamentos Familiares (Household Budget Surveys), in the 2008–2009 and 2017–2018. The sample strata of each period were aggregated, forming 108 new strata with geographic and economic homogeneity. Linear programming models generated diets for each new stratum, considering the constraints in two models: model 1 (≥ 400g of fruits and vegetables); and model 2 (≥ 400g of fruits and vegetables, < 2300mg of sodium, sodium/potassium ratio < 1, ≥ 500mg of calcium). Each food could progressively deviate 5g from the observed consumption averages until the models found a solution in each of the strata. The objective function was to minimize the total cost of the diet.

RESULTS

The average observed and optimized costs were R$4.96, R$4.62 (model 1) and R$5.08 (model 2) in 2008–2009, and R$9.18, R$8.69 and R$9.87 in 2017–2018. Models 1 and 2 resulted in an increase of up to 6% and 11% in 2008–2009, and of up to 25% and 34% in 2017–2018 in the lowest income strata. The main changes observed in the two models include the reduction in the amounts of sweetened beverages, sweets, sauces, ready-to-eat foods, and an increase in fruits and vegetables, flour, and tubers.

CONCLUSION

The adequate amount of fruits and vegetables resulted in an increase in costs to some population strata. When the adequacy of calcium, sodium, and potassium was considered, we observed a more significant increase in cost, especially in 2017–2018.

Keywords: Healthy Diet, economy; Food preferences; Basic Food; Costs and Cost Analysis

INTRODUCTION

Fruit and vegetable consumption is an important marker of healthy eating and is often low in many countries around the world. In Latin American countries, including Brazil, estimations suggest that approximately 5% of deaths are attributed to low consumption of fruits and vegetables¹. Consumption is lower in lower-income groups², which implies that the adoption of adequate eating habits is determined by the socioeconomic conditions of the families. The economic dimension is particularly important in low- and middle-income countries, where a considerable percentage of total income is spent on food. According to the 2017–2018 Pesquisa de Orçamentos Familiares (Family Budget Survey), approximately 25% of Brazilian households live on up to two minimum wages, where the percentage spent on food is 22%, although this expenditure was 14% in the general population³.

Unlike other countries, in natura foods in Brazil are generally cheaper than processed and ultra-processed foods (UPF). In 2009, the estimated average cost of UPF in Brazil was R$2.40/1,000kcal and for in natura (fresh) or minimally processed foods was R$1.56/1,000kcal. However, the average price of fruits and vegetables – items that should have their consumption increased – was R$ 4.17/1,000 kcal and R$ 10.36/1,000 kcal⁴. Consequently, the increase in the participation of fruits and vegetables in the diet leads to a potential increase in the total cost of the diet. However, the cost impact will be smaller if fruits and vegetables replace foods with low nutritional value and higher prices. However, this substitution depends on the local culture, specifically on how much people tolerate changes in their usual eating pattern. There is a well-described relationship in national⁵ and international studies⁶ on the impact of tolerance to changes in consumption on the cost of healthy eating. Overall, diet becomes cheaper as more changes to current diet are tolerated. Therefore, estimations incompatible with local realities could generate incompatible values. Especially in countries with a large territorial extension, such as Brazil, food prices and social variations are important.

We have no information on how the increase in the consumption of fruits and vegetables, as well as dietary changes to prevent chronic non-communicable diseases, could impact the cost of food and how this would occur in different economic strata. Linear programming optimizes variables, subject to restrictions expressed as minimum or maximum values that must be achieved. It is also useful in assessing the feasibility of complex problems involving multiple variables and constraints, for example, lower cost and higher nutritional quality. In this context, the results of diet optimization studies indicate the modifications that could be more effective and efficient, that is, higher quality, acceptability, and lower cost⁷. We intend to estimate the lowest cost of healthy and culturally acceptable diets for the Brazilian population and estratifiede by considering income strata between 2008–2009 and 2017–2018.

METHODS

Data Source

We used the Inquéritos Nacionais de Alimentação (INA - National Dietary Surveys) data, conducted in 2008–2009 and 2017–2018. Both surveys are subsamples of the Pesquisas de Orçamentos Familiares (POF - Household Budget Surveys), conducted by the Brazilian Institute of Geography and Statistics (IBGE). Details about the sampling plan are obtained elsewhere^3
,
8. The POF samples included 55,970 households in 2008–2009 and 57,920 in 2017–2018. INA data mention 34,003 individuals interviewed in 13,569 households, in 2008–2009, and 46,164 individuals in 20,112 households, in 2017–2018. Household data collection in each stratum was evenly distributed over the 12 months to take into account seasonal variations in food consumption and prices.

Unit of analysis

The optimized diet should be as close as possible to the usual diet observed in the population. However, the individual food consumption estimated for two days of the collection is inaccurate to describe the usual consumption. Thus, we obtained cost estimations for groups of people, representing the average daily cost in the group. We estimated the costs for different sample strata, considering the heterogeneity in food consumption and food prices between the macro and micro-regions of Brazil. The POF sample strata (550 in 2008–2009 and 575 in 2017–2018) were collapsed according to geographic location (26 Brazilian states and the Federal District) and four strata of income in minimum wages per capita : ≤ 0.5 minimum wage (MW); > 0.5 and ≤ 1.5 MW; > 1.5 and ≤ 3 MW; and > 3 MW. (The MW in January 2009 was R$415.00; in January 2018, it was R$954.00). This rearrangement totaled 108 new strata in each period (27×4 = 108), referred to henceforth as “strata”, for which the average costs of current and optimized feeding will be estimated.

Optimization Models Variables

Food intake

In 2008–2009, consumption data were obtained from food records. In turn, the 2017–2018 data were obtained through a 24-hour recall, aided by a software specifically developed for the data collection, having the interviews guided by the automated multiple-pass method⁹. Food consumption averages were obtained for all individuals ≥ 10 years of age. The reported foods, totaling 1,103 in 2008–2009 and 1,593 in 2017–2018, were further classified into 123 foods or food groups. This grouping considered variations of the same food, for example, all types of banana were classified as banana, different ways of preparing fish were classified as fish. Foods belonging to the same group, for example, all beef cuts were classified as beef. Alcoholic beverages, coffee, and tea were not considered. The food consumption averages in each stratum were the starting point to obtain the consumption averages optimized in the linear programming models.

We used the 7.0 Version of the Tabela Brasileira de Composição de Alimentos (TBCA - Brazilian Table of Food Composition), compiled by the Centro de Pesquisa em Alimentos (FoRC - Food Research Center)¹⁰ of the Universidade de São Paulo to obtain the nutrient content in observed and optimized diets from both surveys. The nutritional composition of each food already grouped corresponded to the average of the food subtypes weighted by their reporting frequencies in each survey. Given the reporting frequencies varied between strata, we generated tables for each stratum of each survey.

Food prices

We extracted food prices from the POF collective expenditure booklet databases, considering the quantity and price records of each food purchased over the course of a week. We converted prices per 100g of edible portion by applying cooking and correction factors. For each of the 123 foods or food groups, a corresponding food in the expense booklet was identified in the respective period. The grouped food price corresponded to the average of food prices weighted by their reporting frequencies within each stratum and for each survey. For example, we obtained the average food price to “beef” using the average weighted by the reported purchase frequency of all types of beef cuts. Thus, price variation among strata was preserved. As food prices and household income were collected over 12 months, both were adjusted using the official rates of the Índice Nacional de Preços ao Consumidor (INPC - National Consumer Price Index) for a single reference period in each period (January 31, 2009 and January 15, 2018) allowing comparison between households.

Model Constraints

Preference contraints refer to the maximum and minimum limits in which the amounts of each food in the optimized diets can deviate from the amount of consumption observed in the population, preventing the optimized diets from being culturally or socially unacceptable. Each food could progressively deviate every 5g from the average intake observed in each stratum until the model returned a solution. This was done by running n models for each stratum, imposing lower ( li ) and upper ( ls ) limits that consist respectively from [ m _f
,
g – d ] and [ m _f
,
g + d ] where m _f
,
g is the average amount of food f observed in stratum g. D = (5, 10, 15, …, n ) is the allowable deviation from the reported observed quantity of f . The constraints for f were, however, censored at the 5th percentile (lower limit) and 95th percentile (upper limit). We estimated these percentiles for each food, from each region of the country. Firstly, we obtained the average intake of f in each stratum. Then, the 5th and 95th percentiles of the average consumption distribution of f from each region were obtained. Percentiles were used as constraints on strata within each region.

Additional constraints were added for food groups. Similarly to what was described for foods, the amounts of each food group in the optimized diets could not be less than the 5th percentile and greater than the 95th percentile of the distribution of average consumption within each region of the country. Food groups for which the acceptability constraints were applied are described below. Considering the low consumption of fruits and vegetables in the population, this group and all the foods that contain it had their maximum quantity restrictions relaxed until the model found a possible mathematical solution.

For nutritional constraints, we used two separate sets in two models. In model 1, the diet must contain at least 400g of fruits and vegetables. In model 2, the diet must be adequate in relation to the recommendations for the prevention of chronic diseases¹¹. The optimized diets were isocaloric in relation to the observed diets. Ultra-processed foods, classified under the NOVA classification¹², were restricted to their observed consumption amounts or less. The set of nutritional constraints used is described in Table 1 .

Table 1. Nutritional constraints imposed on optimization models.

	Model 1	Model 2
Energy (Kcal)	= observed	= observed
Carbohydrates (%kcal)		55%–75%
Proteins (%kcal)	-
Fats (%kcal)	-	15%–30%
Saturated fat (%kcal)	-	< 10%
Polyunsaturated fat (%kcal)	-	6%–10%
Trans fat (%kcal)	-	< 1%
Sodium (mg)	-	≤ 2,300
Sodium / Potassium	-	≤ 0.9
Calcium (mg)	-	≥ 500
Fruits and vegetables.	≥ 400	≥ 400
Ultra-processed food (g)	≤ observed	≤ observed

Open in a new tab

Linear Programming Models

The linear programming data optimization models were developed to identify the best solution (combination of foods that will compose the optimized diets) that satisfies the set of nutritional adequacy constraints at the lowest possible cost. The objective function can be described according to the following formula

y = \sum_{i = 1}^{i = g} (Q_{i}^{o t m} \cdot {preço}_{i})

where: g is the food amount, Q_i^otm is the amount of food i in the optimized menu, and preço_i is the price of the food per kilo.

Descriptive Analysis

The average quantities in the observed and optimized diets for the following groups were evaluated: beans (beans and legumes), dairy products (whole and skimmed milk, cheese, yogurt, and other dairy products), fruits, vegetables, tubers (potatoes, cassava, and yams); red meat (beef and pork), poultry, fish and seafood, eggs, oilseeds, oils (butter and margarine); breads, cakes and biscuits, white and brown rice, pasta (noodles, lasagna pasta and the like), flour (cassava flour and farofa ), sauces (salad dressings and pasta sauces), sweetened beverages (soft drinks, industrialized juices, and nectars), ready-to-eat foods (pizza, sandwiches, and snacks) and sweets. The relative difference between the optimized and observed cost [(optimized cost-observed cost)/observed cost × 100] was evaluated according to the income classes for the two periods. To allow a direct comparison between periods, we estimated the observed diet cost in 2008–2009 with food prices of 2017–2018. All analyzes were weighted by sample weights, in which the weight of the stratum corresponded to the sum of the weights of their households. Optimization models were run in SAS software.

RESULTS

The models only returned a feasible mathematical solution for most strata after making the maximum amounts of fruits and vegetables (individual items and groups) more flexible in up to three times the 95th percentile value of the distribution of average consumption. We maintained restrictions at percentiles 5th and 95th for the other foods and groups.

The estimated average diet cost per person/day in Brazil in 2008–2009 was R$4.96, ranging from R$3.80 to R$6.13 in the lower and higher-income strata. In 2017–2018 it was R$9.18, ranging from R$7.53 to R$11.46 in the lower and higher-income strata. The average optimized cost – which only considers changes in the quantities of fruits and vegetables (model 1) – was R$4.62 in 2008–2009, ranging from R$3.56 to R$5.56. The cost was R$8.69 in 2017–2018, ranging from R$7.38 to R$10.42. In this model, the optimized diet cost an average of 6.85% less than the diet observed in 2008–2009, and 5.34% less than the diet observed in 2017–2018. When nutritional restrictions for the prevention of chronic diseases were included (model 2), the average cost increased to R$5.08 in 2008–2009, ranging from R$4.05 to R$6.09, and R$9.87 in 2017–2018, ranging from R$8.65 to R$11.64. In this model, the optimized diet cost was, on average, 2.42% more than the diet observed in 2008–2009 and 7.52% more than the diet observed in 2017–2018. The largest increases in cost (in percentage) were observed for model 2 in the 2017–2018 period, especially in the strata with per capita income up to one minimum wage and in the northeast region. The observed diet cost was lower in both periods in the North and Northeast regions when compared to the South and Center-West regions ( Table 2 ).

Tabela 2. Average cost (in Reais) of observed and optimized diets and percentage variation in the cost of the optimized diet according to incomea, region, nutritional restrictions (modelsb) and the survey yearc.

	2008–2009			2017–2018

	Observed^d	Model 1^e	Model 2^e	Observed	Model 1	Model 2
Per capita income
< 0.5	3.80 (0.11)	3.56 (-6.31)	4.05 (+6.58)	7.53 (0.18)	7.38 (-1.96)	8.65 (+14.87)
0.5–1	4.42 (0.07)	4.15 (-6.10)	4.62 (+4.52)	8.31 (0.19)	8.02 (-3.49)	9.35 (+12.52)
1–2	4.91 (0.07)	4.66 (-5.09)	5.04 (+2.64)	9.13 (0.18)	8.67 (-5.04)	9.66 (+5.81)
> 2	6.13 (0.05)	5.56 (-9.29)	6.09 (-0.65)	11.46 (0.23)	10.42 (-9.08)	11.64 (+1.57)
Region
North	5.28 (0.17)	4.91 (-7.00)	5.35 (+1.32)	8.68 (0.23)	8.10 (-6.68)	8.91 (+2.65)
Northeast	4.37 (0.16)	3.96 (-9.38)	4.59 (+5.03)	8.40 (0.27)	7.82 (-6.90)	9.51 (+13.21)
Southeast	5.18 (0.29)	4.91 (-5.21)	5.20 (+0.38)	9.26 (0.57)	8.88 (-4.10)	9.8 (+5.83)
South	5.22 (0.23)	4.81 (-7.85)	5.41 (+3.64)	10.32 (0.47)	9.62 (-6.78)	11.05 (+7.07)
Midwest	5.09 (0.2)	4.80 (-5.69)	5.27 (+3.53)	9.90 (0.39)	9.52 (-3.84)	10.47 (+5.76)
Brazil	4.96 (0.16)	4.62 (-6.85)	5.08 (+2.42)	9.18 (0.28)	8.69 (-5.34)	9.87 (+7.52)

Open in a new tab

^a Household income per capita in minimum wages.

^b Model 1: adequacy of fruits and vegetables. Model 2: adequacy of fruits and vegetables, macronutrients and fats, calcium, sodium and potassium. Amount of ultra-processed foods less than or equal to the amount observed for both models.

^d Average (standard error).

^e Cost in Reais (percentage in relation to the cost observed in the period) calculated as: [(optimized cost - observed cost)/observed cost × 100].

In the lowest income strata, the cost of the optimized diet (model 1) in relation to the observed cost varied from -21% to +6% in 2008–2009 and -15% to +11% in 2017–2018. In the model 2, this variation was from -11% to +25% in 2008–2009 and -11% to +34% in 2017–2018. Also in these income strata, the average cost of the optimized diets in 2008-2009 was higher than the cost of the observed diets in the period in 8% of the strata in the model 1 and in 71% of the strata in the model 2. In 2017–2018 these values were 16% in the model 1 and 82% in the model 2. The increase in the cost related to the optimized diet reached 34% in relation to the cost observed in the strata of up to 1 minimum wage per capita in model 2 ( Figure 1 ).

^a Calculated [(optimized cost-observed cost)/observed cost] × 100.

^b Household income per capita in minimum wages.

^c Model 1: adequacy of fruits and vegetables. Model 2: adequacy of fruits and vegetables, macronutrients and fats, calcium, sodium and potassium. Amount of ultra-processed foods less than or equal to the amount observed for both models.

If the 2017–2018 diet were the same practiced in 2008–2009, that is, the 2008–2009 diet with 2017–2018 prices, its cost would be R$9.61. Therefore, it would mean to be R$0.43 more expensive than estimated in 2017–2018.

In the first survey, consumption of rice, dairy products, beans, sweets, fish, and sweetened beverages was higher than in the second survey. In general, the dietary modifications to accommodate the increase in the amounts of fruit and vegetables were similar between the two periods: reduction in dairy products, chicken, sauces, eggs, red meat, snacks , and sweetened beverages; and increase in rice and flour. To also accommodate the recommendations for the prevention of NCDs, a more significant increase in fruits and vegetables was needed, totaling 535g in 2008–2009 and 486g in 2017–2018, in addition to an increase in tubers, beans, and dairy products; and a reduction in margarine and butter, past, breads, biscuits, and cake ( Table 3 ).

Table 3. Average consumption in grams of foods and food groups in observed and optimized diets according to nutritional constraints (modelsa) and year of surveyb.

	2008–2009			2017–2018

	Observed^c	Model 1	Model 2	Observed^c	Model 1	Model 2
Rice	180.80 (5.86)	194.21	180.14	149.54 (4.5)	160.77	148.72
Biscuits	16.54 (0.75)	14.33	9.71	15.49 (0.73)	13.76	10.11
Cakes	12.96 (0.69)	13.40	14.99	11.19 (0.55)	8.84	8.39
Dairy Products	134.35 (5.34)	112.11	147.06	97.65 (4.64)	79.35	117.41
Sweets	21.51 (1.09)	14.48	16.48	14.5 (0.94)	7.43	8.82
Flours	9.18 (1.89)	14.95	15.82	7.83 (1.59)	11.97	12.31
Beans	203.55 (8.14)	203.23	217.03	175.19 (6.47)	179.18	189.79
Poultry	36.15 (1.32)	29.38	35.04	50.57 (1.76)	44.29	53.64
Fruits	177.51 (6.96)	259.75	340.64	166.25 (5.83)	251.64	301.02
Vegetables	60.32 (3.31)	140.25	194.57	66.8 (3.19)	148.36	185.89
Pasta	43.89 (2.13)	46.59	33.51	40.64 (1.69)	43.76	31.76
Sauces	4.46 (0.59)	1.45	1.41	4.52 (0.35)	1.40	2.07
Oilseeds	0.18 (0.03)	0.31	0.34	0.34 (0.06)	0.52	0.58
Oils (butter and margarine)	6.32 (0.19)	8.52	3.52	8.26 (0.31)	8.28	4.79
Eggs	12.35 (0.72)	8.84	13.11	12.74 (0.45)	8.76	12.37
Breads	56.76 (1.49)	58.80	42.21	57.94 (1.44)	60.17	49.53
Fish	28.34 (3.75)	21.49	26.60	18.78 (2.36)	12.47	20.99
Meat (beef and pork)	95.65 (2.43)	78.04	73.81	99.02 (2.27)	82.92	85.83
Ready-to-eat foods	20 (1.58)	14.98	11.54	22.16 (1.25)	15.97	13.94
Sweetened Beverages	123.23 (9.62)	116.53	111.07	80.52 (3.43)	74.17	69.90
Tubers	30.61 (1.73)	27.15	42.64	33.7 (1.79)	29.41	42.65

Open in a new tab

^a Modelo 1: Model 1: adequacy of fruits and vegetables. Model 2: adequacy of fruits and vegetables, macronutrients and fats, calcium, sodium and potassium. Amount of ultra-processed foods less than or equal to the amount observed for both models.

^b n = 108 strata for both periods.

^c Average (standard error).

The impact of the increase of fruits and vegetables on the amounts of nutrients was more evident for fiber, vitamin A, vitamin C, and folate, which increased by at least 10% in relation to the intake observed for the two periods. On the other hand, there was a reduction in both periods. By including the nutritional constraints in the model 2, we observed a more significant increase for these and other nutrients, such as vitamin E, copper, zinc, and magnesium, in addition to an increase in calcium and potassium and a reduction in sodium, nutrients that had the amounts defined in the model 2 ( Table 4 ).

Table 4. Average energy and nutrient intake in observed and optimized diets according to nutritional constraints (modelsa) and year of the surveyb.

	2008–2009			2017–2018

	Observed^c	Model 1	Model 2	Observed^c	Model 1	Model 2
Energy (Kcal)	1,696.7 (13.4)	1,696.8	1,696.8	1,699.9 (10.5)	1,699.9	1,699.9
Carbohydrates (g)	2,32.5 (1.65)	252.5	253.6	230.1 (2.0)	251.3	244.2
Protein (g)	77.5 (0.8)	69.8	73.2	78.5 (0.6)	71.2	79.4
Fats (g)	56.3 (0.7)	52.0	50.8	56.8 (0.6)	51.8	51.8
Monounsaturated fat (g)	17.2 (0.2)	15.5	15.3	18.4 (0.3)	17.2	15.8
Polyunsaturated fat (g)	13.4 (0.2)	12.5	12.8	14.2 (0.2)	13.0	13.1
Saturated fat (g)	19.3 (0.3)	17.9	16.8	17.8 (0.2)	15.5	16.3
Trans fat (g)	1.43 (0.03)	1.37	1.09	1.33 (0.02)	1.2	1.07
Fibers (g)	25.1 (0.4)	29.1	32.5	22.7 (0.3)	26.9	29.5
Calcium (mg)	445.1 (12.7)	401.9	508.5	394.1 (12.6)	353.4	500.8
Copper (mg)	1.45 (0.03)	1.55	1.70	1.29 (0.02)	1.40	1.54
Iron (mg)	11.3 (0.1)	11.3	11.1	10.8 (0.1)	10.8	11.0
Phosphorus, mg	1,001.5 (11.1)	920.8	1.011.8	972.6 (6.8)	895.4	1035
Magnesium, mg	258.7 (3.4)	272.5	300.2	239.7 (2.0)	254.6	282.2
Potassium, mg	2,118.3 (28.8)	2,296.7	2,761.3	2,011.0 (19.2)	2,196.6	2,616.9
Sodium (mg)	2,505.6 (29.1)	2,382	2,238.4	2,376.6 (21.2)	2,264.9	2,260.5
Zinc (mg)	10.8 (0.1)	10.1	10.2	10.8 (0.1)	10.2	10.7
Niacin (mg)	13.8 (0.3)	12.3	12.8	15.1 (0.2)	13.4	15.1
Folate (mcg) ^d	446.5 (6.7)	477.7	491.5	407.4 (5.3)	439.3	464.2
Vitamin A (EAR) ^e	518.8 (26.4)	603.1	732.2	429.8 (17.7)	475.3	639.5
Vitamin B1 (mg)	0.89 (0.01)	0.89	0.89	0.93 (0.01)	0.91	0.96
Vitamin B12 (mg)	5.3 (0.18)	4.42	4.64	4.16 (0.12)	3.42	4.02
Vitamin B2 (mg)	1.08 (0.02)	1.03	1.06	0.93 (0.01)	0.89	0.96
Vitamin B6 (mg)	0.66 (0.01)	0.7	0.65	0.62 (0.01)	0.66	0.65
Vitamin C (mg)	124.9 (3.7)	243.4	339.5	117.4 (3.5)	233.3	270.3
Vitamin D	2.66 (0.07)	2.31	2.77	2.11 (0.04)	1.8	2.33
Vitamin E (mg)	5.78 (0.07)	6.34	7.09	6.11 (0.08)	6.76	6.81

Open in a new tab

^a Model 1: adequacy of fruits and vegetables. Model 2: adequacy of fruits and vegetables, macronutrients and fats, calcium, sodium and potassium. Amount of ultra-processed foods less than or equal to the amount observed for both models.

^b n = 108 strata for both periods.

^c Average (standard error).

^d In dietary folate equivalents (DFE).

^e In retinol activity equivalents.

DISCUSSION

This study estimated the lowest cost of healthy and culturally acceptable diets for the periods 2008–2009 and 2017–2018 considering variations in food preferences and food prices in the country. The adequacy of fruits and vegetables could be achieved with a reduction of 6.8% and 5.3% in relation to the observed diet cost in 2008–2009 and 2017–2018, respectively. The inclusion of restrictions related to the prevention of NCD resulted in a more significant increase of 7.5% in 2017–2018. These differences in the impact on the cost of adopting a healthy diet between periods can be explained by an uneven price variation between food groups. From the early 2000s onwards, the price of ultra-processed foods has been decreasing in relation to the price o in natura (fresh) and minimally processed foods¹³. In addition, consumption averages for some foods that are markers of healthy eating, such as dairy products, fruits, beans, and fish, were slightly higher in 2008–2009. For comparison purposes, the cost of the 2008–2009 diet, if purchased at 2017–2018 prices, would be R$9.61, that is, 4.7% more than the estimated 2017–2018 diet cost, which was R$9.18. Thus, the adequacy of the diet required fewer modifications and, consequently, lower costs, particularly in model 2, in which the nutritional composition of the food was also considered in the optimization.

The reduction in the average cost of eating with an adequate amount of fruits and vegetables present in the model 1 was possible due to the amount reduction in the other foods. The model optimizes food quantities within the smallest possible range to include the defined amount of fruit and vegetables, i.e., the adequacy does not increase the cost as long as other dietary modifications are also made. Notwithstanding the adequacy of fruits and vegetables has not resulted in an increase in the overall and income stratified average diet cost, in several strata the increase in the cost was necessary. This indicates an important variation in the impact of dietary adequacy on cost across the country. Particularly in the last survey and especially in the lower-income groups, the increase in cost was greater than 30%, in relation to the cost observed for some strata. In fact, adapting the amount of fruits and vegetables in the diet of low-income families seems not to be possible without an increase in the diet cost. A similar study using data from the 2008–2009 survey with the objective of reducing the percentage of caloric participation of UPF and adapting as much as possible the amount of fruits and vegetables in 400g/day without increasing the cost of the diet, reached 350g in the strata of up to half minimum wage per capita . In higher income strata, this amount reached 700g¹⁴. In the model 2, the increase occurred in all income strata, except among those with higher incomes in 2008–2009. The immediate implication of these results is clear. For a considerable percentage of families, diet improvement results in greater spending on food.

The minimum cost of adequate diet was obtained considering minimum and maximum limits, called here acceptability constraints. These restrictions delimit how much each food can “deviate” from the amount reported in each of the periods. Given to the fact we have no information on food preferences in the population, the acceptability limits were derived from the distribution of consumption in the population itself. The rationale is that if people have reported these items, it means they are acceptable to the population. However, the limits from distributions (the 5th and 95th percentiles) were arbitrarily defined, which might be considered a limitations in studies involving sociocultural aspects of the diet – although this is a common procedure in similar studies^6
,
15. In addition to the sociocultural dimension, the definition of a healthy diet also generates an important impact on costs. When adequate vitamins and minerals are included among the constraints of the models, the cost is, on average, 20% higher in relation to the observed expenditure. This occur at all income levels⁵. However, the cost of an adequate diet of micronutrients has reduced as more flexible acceptability constraints have been introduced into the models. The greater the tolerance to consumption modification, the lower the final cost. It is noteworthy that optimized cost was always higher to lower-income families than observed for all imposed acceptability constraints, which did not occur in the other income strata⁵. We should bear in mind that the estimated cost in this study corresponds to the lowest cost related to the smallest deviation from the usual diet in each of the periods. As in other studies, the cost decreases as more drastic changes are tolerated.

The present study used two sets of nutritional constraints. The first one concerns food quantities and is more realistic, because people are more likely to shop by observing the quantities of each food in the basket. But in the model 2 scenario is important to assess how much adherence to other recommendations for the prevention of NCDs would require changes in diet and in the budget itself. This is important information for health professionals and for the elaboration of guides that should consider strategies to reach goals for key nutrient intakes at the lowest cost and with greater acceptability.

Some methodological issues must be considered when interpreting these results. We assume prices of food, such as cakes, sandwiches, sweets, pizzas, snacks, and fried and baked snacks corresponding to the price of food purchased ready for consumption, even though they can be items prepared at home from the purchase of ingredients. In that case, the average price of these items will be overestimated as these preparations are made at home. On the other hand, for preparations based on cereals, legumes, meats, and pasta - for example rice, beans, lasagna, etc. - we assumed the sum of the price of their ingredients, even if they may have been acquired ready-to-eat in markets or restaurants. In this case, the average price may be underestimated, because preparations are expected to cost more when purchased ready-made than prepared at home. Underreporting of consumption – common in food surveys – certainly leads to an underestimation of the observed diet cost¹⁶. However, both the observed cost and the optimized cost were calculated for the same average amount of calories in each period; therefore, similarly impacted by underreporting. In the absence of underreporting, the observed and expected costs would be higher than ours. However, it is impossible to state the differences would remain in the same proportion as that found in the study. Underreporting can occur differently between foods¹⁷. If it was higher in fruits and vegetables, the increase in cost would be smaller than that obtained here, due to the increase in the food amount in this group. We also highlight that changes in optimized diets lead not only to economic and cultural changes in food, but also to aspects of convenience. The increase in fruit and vegetable implies more frequent visits to the market and more time spent on preparation and cooking. Variables not considered in this study.

One of the main points of this study was to consider the wide variation in prices and consumption patterns across the country, optimizing the cost of an adequate diet as similar as possible to the diet observed in each stratum and in each period. The assessment of the mean population diet cost omits the extent to which dietary adequacy impacts strata in different regions of Brazil. However, due to the great day-to-day variation in food consumption, it was necessary to group individuals into strata, once the one-day dietary survey provides a good approximation of the mean usual consumption in the group¹⁸.

In conclusion, the adequacy of fruit and vegetables in diets may not lead to an increase in the average cost both in 2008–2009 and in 2017–2018. However, for a significant percentage of the strata, the adequacy would demand an increase in spending on food, particularly in the 2017–2018 period. When the adequacy of calcium, sodium, and potassium are also introduced to the optimization models, an increase in the cost of the diet was observed in the two periods.

Funding Statement

Funding: Fundação Carlos Chagas de Amparo à Pesquisa do Estado do Rio de Janeiro (Faperj - Process E26/203.263/2017).

Footnotes

Funding: Fundação Carlos Chagas de Amparo à Pesquisa do Estado do Rio de Janeiro (Faperj - Process E26/203.263/2017).

REFERENCES

1. Lock K, Pomerleau J, Causer L, Altmann DR, McKee M. The global burden of disease attributable to low consumption of fruit and vegetables: implications for the global strategy on diet. Bull World Health Organ. 2005 [cited 2020 Nov 2];83(2):100-8. Available from: https://apps.who.int/iris/handle/10665/72961 [PMC free article] [PubMed]
2. Mayén AL, Marques-Vidal P, Paccaud F, Bovet P, Stringhini S. Socioeconomic determinants of dietary patterns in low- and middle-income countries: a systematic review. Am J Clin Nutr. 2014;100(6):1520-31. 10.3945/ajcn.114.089029 [DOI] [PubMed]
3. Instituto Brasileiro de Geografia e Estatística, Diretoria de Pesquisas, Coordenação de Trabalho e Rendimento. Pesquisa de Orçamentos Familiares, 2017-2018: primeiros resultados. Rio de Janeiro: IBGE; 2019. 64 p.
4. Moubarac JC, Claro RM, Baraldi LG, Levy RB, Martins APB, Cannon G, et al. International differences in cost and consumption of ready-to-consume food and drink products: United Kingdom and Brazil, 2008-2009. Glob Public Health. 2013;8(7):845-56. 10.1080/17441692.2013.796401 [DOI] [PubMed]
5. Verly-Jr E, Darmon N, Sichieri R, Sarti FM. Reaching culturally acceptable and adequate diets at the lowest cost increment according to income level in Brazilian households. PLoS One. 2020;15(3):e0229439. 10.1371/journal.pone.0229439 [DOI] [PMC free article] [PubMed]
6. Darmon N, Ferguson EL, Briend A. A cost constraint alone has adverse effects on food selection and nutrient density: an analysis of human diets by linear programming. J Nutr. 2002;132(12):3764-71. 10.1093/jn/132.12.3764 [DOI] [PubMed]
7. Barré T, Vieux F, Perignon M, Cravedi JP, Amiot MJ, Micard V, et al. Reaching nutritional adequacy does not necessarily increase exposure to food contaminants: evidence from a whole-diet modeling approach. J Nutr. 2016;146(10):2149-57. 10.3945/jn.116.234294 [DOI] [PubMed]
8. Instituto Brasileiro de Geografia e Estatística, Diretoria de Pesquisas, Coordenação de Trabalho e Rendimento. Pesquisa de Orçamentos Familiares 2008-2009: despesas, rendimentos e condições de vida. Rio de Janeiro: IBGE; 2010.
9. Moshfegh AJ, Rhodes DG, Baer DJ, Murayi T, Clemens JC, Rumpler WV, et al. The US Department of Agriculture Automated Multiple-Pass Method reduces bias in the collection of energy intakes. Am J Clin Nutr. 2008;88(2):324-32. 10.1093/ajcn/88.2.324 [DOI] [PubMed]
10. Universidade de São Paulo, Food Research Center. Tabela Brasileira de Composição de Alimentos (TBCA). Versão 7.1. São Paulo: FoRC; 2020 [cited 2020 Nov 5]. Available from: http://www.fcf.usp.br/tbca
11. World Health Organization. Diet, nutrition, and the prevention of chronic diseases: report of a Joint WHO/FAO Expert Consultation. Geneva (CH): WHO; 2003. (WHO Technical Report Series; nº 916). [PubMed]
12. Monteiro CA, Cannon G, Levy RB, Moubarac JC, Louzada ML, Rauber F, et al. Ultra-processed foods: what they are and how to identify them. Public Health Nutr. 2019;22(5):936-41. 10.1017/S1368980018003762 [DOI] [PMC free article] [PubMed]
13. Maia EG, Passos CM, Levy RB, Martins APB, Mais LA, Claro RM. What to expect from the price of healthy and unhealthy foods over time? The case from Brazil. Public Health Nutr. 2020;23(4):579-88. 10.1017/S1368980019003586 [DOI] [PMC free article] [PubMed]
14. Verly-Jr E, Pereira Ada S, Marques ES, Horta PM, Canella DS, Cunha DB. Reducing ultra-processed foods and increasing diet quality in affordable and culturally acceptable diets: a study case from Brazil using linear programming. Br J Nutr. 2020 Nov 4:1-25. 10.1017/S0007114520004365 [DOI] [PubMed]
15. Gazan R, Brouzes CMC, Vieux F, Maillot M, Lluch A, Darmon N. Mathematical optimization to explore tomorrow’s sustainable diets: a narrative review. Adv Nutr. 2018;9(5):602-16. 10.1093/advances/nmy049 [DOI] [PMC free article] [PubMed]
16. Freedman LS, Commins JM, Moler JE, Arab L, Baer DJ, Kipnis V, et al. Pooled results from 5 validation studies of dietary self-report instruments using recovery biomarkers for energy and protein intake. Am J Epidemiol. 2014;180(2):172-88. 10.1093/aje/kwu116 [DOI] [PMC free article] [PubMed]
17. Lafay L, Mennen L, Basdevant A, Charles MA, Borys JM, Eschwège E, et al. Does energy intake underreporting involve all kinds of food or only specific food items? Results from the Fleurbaix Laventie Ville Santé (FLVS) study. Int J Obes Relat Metab Disord. 2000;24(11):1500-6. 10.1038/sj.ijo.0801392 [DOI] [PubMed]
18. Palaniappan U, Cue RI, Payette H, Gray-Donald K. Implications of day-to-day variability on measurements of usual food and nutrient intakes. J Nutr. 2003;133(1):232-5. 10.1093/jn/133.1.232 [DOI] [PubMed]

Rev Saude Publica. 2021 Nov 12;55(Suppl 1):7s. [Article in Portuguese]

Custo de uma alimentação saudável e culturalmente aceitável no Brasil em 2009 e 2018

Eliseu Verly Junior ^I, Dayan Carvalho Ramos Salles de Oliveira ^I, Rosely Sichieri ^I

RESUMO

OBJETIVO

Estimar o menor custo de uma alimentação saudável e culturalmente aceitável e avaliar a evolução de seu custo nos períodos de 2008–2009 e 2017–2018.

MÉTODOS

Foram utilizados dados de consumo individual dos módulos de consumo alimentar das Pesquisas de Orçamentos Familiares de 2008–2009 e 2017–2018. Os preços dos alimentos foram obtidos do módulo de caderneta de despesa das respectivas pesquisas. Os estratos amostrais de cada período foram reagrupados, formando 108 novos estratos com homogeneidade geográfica e econômica. Modelos de programação linear foram elaborados para gerar dietas para cada novo estrato, considerando as restrições do modelo 1 (≥ 400g de frutas e hortaliças) e modelo 2 (≥ 400g de frutas e hortaliças, < 2300mg de sódio, relação sódio/potássio < 1, ≥ 500mg de cálcio). Cada alimento das dietas observadas poderia desviar progressivamente em 5g a partir das médias de consumo observadas até que os modelos encontrassem uma solução em cada um dos estratos. A função objetivo foi de minimizar o custo total da dieta.

RESULTADOS

Os custos médios observados e otimizados foram de R$4,96, R$4,62 (modelo 1) e R$5,08 (modelo 2) em 2008–2009 e de R$9,18, R$8,69 e R$9,87 em 2017 –2018. Nos modelos 1 e 2 ocorreram incrementos de até 6% e 11% em 2008–2009 e de até 25% e 34% em 2017–2018 na menor faixa de renda. As principais modificações observadas nos dois modelos incluem a redução nas quantidades de bebidas adoçadas, doces, molhos, alimentos prontos para consumo e aumento de frutas e hortaliças, farinhas e tubérculos.

CONCLUSÃO

A adequação da quantidade de frutas e hortaliças acarretou aumento no custo para parte da população. Quando a adequação de cálcio, sódio e potássio foram consideradas, ocorreu um aumento mais expressivo no custo, especialmente em 2017–2018.

Keywords: Dieta Saudável, economia; Preferências Alimentares; Alimentação Básica; Custos e Análise de Custo

INTRODUÇÃO

O consumo de frutas e hortaliças é um marcador importante de alimentação saudável e frequentemente descrito como baixo em muitos países do mundo. Em países da América Latina, incluindo o Brasil, estima-se que aproximadamente 5% das mortes sejam atribuídas ao baixo consumo de frutas e hortaliças¹. O consumo é menor nos grupos de menor renda², o que implica que a adoção de hábitos alimentares adequados são determinados pelas condições socioeconômicas das famílias. A dimensão econômica é particularmente importante em países de baixa e média renda, onde um percentual considerável da renda total é gasta com alimentação. De acordo com a Pesquisa de Orçamentos Familiares de 2017–2018, aproximadamente 25% dos domicílios brasileiros vivem com até dois salários mínimos, onde o percentual gasto com alimentação chegou a 22% dos rendimentos totais, enquanto que na população em geral esse gasto foi de 14%³.

Diferente de outros países, os alimentos in natura no Brasil são, em média, mais baratos que os processados e ultraprocessados (AUP). Em 2009, o custo médio estimado dos AUP no Brasil era R$ 2,40/1.000kcal e de alimentos in natura ou minimamente processados era R$ 1,56/1.000kcal. No entanto, o preço médio das frutas e hortaliças – itens que devem ter seu consumo aumentado – era R$ 4,17/1.000kcal e R$ 10,36/1.000kcal⁴. Consequentemente, o aumento na participação de frutas e hortaliças na alimentação acarreta potencial aumento no custo total da dieta. Porém, o impacto no custo será menor se as frutas e hortaliças substituírem preferencialmente alimentos de baixo valor nutricional e de maior preço. Contudo, essa substituição depende da cultura local, mais especificamente, do quanto as pessoas toleram de modificação em seu padrão usual de alimentação. Existe uma relação bem descrita em estudos nacionais⁵e internacionais⁶sobre o impacto da tolerância às mudanças no consumo no custo de uma alimentação saudável. De forma geral, a alimentação se torna mais barata à medida que mais modificações na alimentação atual são toleradas. Portanto, estimar os custos de uma alimentação adequada sem considerar as preferências alimentares pode gerar valores que não são compatíveis com as realidades locais. Particularmente em países com grande extensão territorial, como o Brasil, além da grande variedade no consumo, há também uma variação importante no preço dos alimentos.

Não há informações do quanto o aumento no consumo de frutas e hortaliças, bem como modificações na dieta para prevenção de doenças crônicas não transmissíveis podem impactar no custo da alimentação e como isso ocorreria nos diferentes estratos econômicos. A programação linear é um método para otimização de variáveis, sujeita a restrições expressas como valores mínimos ou máximos que devem ser alcançados. Ela também é útil na avaliação da viabilidade de problemas complexos envolvendo múltiplas variáveis e restrições, por exemplo, menor custo e maior qualidade nutricional. Nesse contexto, os resultados de estudos de otimização da dieta indicam as modificações que poderiam ser mais efetivas e eficientes, ou seja, maior qualidade, aceitabilidade e menor custo⁷. Assim, o objetivo deste estudo é estimar o menor custo de uma alimentação saudável e culturalmente aceitável na população brasileira em estratos de renda e sua evolução entre os períodos de 2008–2009 e 2017–2018.

MÉTODOS

Fonte de Dados

Foram utilizados os dados dos Inquéritos Nacionais de Alimentação (INA) conduzidos nos anos de 2008–2009 e 2017–2018. Ambas as pesquisas são subamostras das Pesquisas de Orçamentos Familiares (POF) conduzidas pelo Instituto Brasileiro de Geografia e Estatística (IBGE). Detalhes sobre o plano amostral foram obtidos em outras publicações^3
,
8. As amostras das POF contemplaram 55.970 domicílios em 2008–2009 e 57.920 em 2017–2018. Nos INA foram entrevistados 34.003 indivíduos em 13.569 domicílios em 2008–2009 e 46.164 indivíduos em 20.112 domicílios em 2017–2018. A coleta de dados domiciliares em cada estrato foi distribuída uniformemente ao longo dos 12 meses para contemplar as variações sazonais de consumo e preços dos alimentos.

Unidade de Análise

A dieta otimizada deverá ser a mais próxima possível da alimentação habitual observada na população. No entanto, o consumo alimentar individual estimado por dois dias de coleta não descreve com precisão o consumo habitual. Assim, as estimativas de custo foram obtidas para grupos de pessoas, representando o custo médio diário no grupo. Em função da heterogeneidade no consumo alimentar e nos preços dos alimentos entre as macro e microrregiões do país, os custos foram estimados para diversos estratos amostrais. Os estratos das amostras das POF (550 em 2008–2009 e 575 em 2017–2018) foram colapsados segundo localização geográfica (26 estados brasileiros e Distrito Federal) e quatro estratos de renda em salários mínimos per capita : ≤ 0,5 salário mínimo (SM); > 0,5 e ≤ 1,5 SM; > 1,5 e ≤ 3 SM; e > 3 SM. (O SM em janeiro de 2009 era R$415,00; em janeiro de 2018 era R$954,00). Esse rearranjo totalizou 108 novos estratos em cada período (27×4 = 108), referidos aqui apenas como “estratos”, para os quais serão estimados os custos médios da alimentação atual e otimizada.

Variáveis dos Modelos de Otimização

Consumo alimentar

Em 2008–2009, os dados de consumo foram obtidos por registro alimentar. Por sua vez, os dados de 2017–2018 foram obtidos por recordatório de 24 horas, auxiliado por um software desenvolvido especificamente para coleta e tendo as entrevistas orientadas pelo método automatizado de múltiplas passagens⁹. As médias de consumo dos alimentos foram obtidas para todos os indivíduos ≥ 10 anos de idade. Os alimentos relatados em um total de 1.103 em 2008–2009 e de 1.593 em 2017–2018 foram posteriormente classificados em 123 alimentos ou grupo de alimentos. Esse agrupamento considerou variações de um mesmo alimento, por exemplo, todos os tipos de banana foram classificados como banana, diferentes modos de preparo de peixes classificados como peixe. Os alimentos pertencentes a um mesmo grupo, por exemplo, todos os cortes de carne bovina foram classificados como carne bovina. Não foram consideradas as bebidas alcoólicas, café e chá. As médias de consumo dos alimentos em cada estrato foram utilizadas como pontos de partida para a obtenção das médias de consumo otimizadas nos modelos de programação linear.

A versão 7.0 da Tabela Brasileira de Composição de Alimentos (TBCA), compilada pelo Centro de Pesquisa em Alimentos (Food Research Center, FoRC)¹⁰da Universidade de São Paulo foi utilizada para obter o teor de nutrientes em dietas observadas e otimizadas de ambos os inquéritos. A composição nutricional de cada alimento já agrupado correspondeu à média dos subtipos dos alimentos ponderada por suas frequências de relato em cada inquérito. Como as frequências de relato variaram entre os estratos, foram geradas tabelas para cada estrato em cada inquérito.

Preços dos alimentos

Os preços dos alimentos foram extraídos dos bancos de dados de caderneta de despesas coletivas das POF, onde há o registro da quantidade e preço de cada alimento adquirido ao longo de uma semana. Os preços foram convertidos em preços por 100g de porção comestível aplicando-se fatores de cocção e correção. Para cada um dos 123 alimentos agrupados, foram identificados seus equivalentes nas cadernetas de despesas dos respectivos períodos. O preço do alimento agrupado correspondeu à média dos preços dos alimentos ponderada por suas frequências de relato dentro de cada estrato e para cada inquérito. Por exemplo, o preço médio do alimento “carne bovina” foi obtido por meio da média ponderada pela frequência de relato de compra de todos os tipos de corte de carne bovina. Assim, a variação de preços entre os estratos foi preservada. Como os preços dos alimentos e os rendimentos das famílias foram coletados ao longo de 12 meses, ambos foram ajustados utilizando as taxas oficiais do Índice Nacional de Preços ao Consumidor Amplo (IPCA) para um único período de referência em cada período (31 de janeiro de 2009 e 15 de janeiro de 2018) permitindo a comparação entre os domicílios.

Restrições do modelo

As restrições de preferências referem-se aos limites máximos e mínimos nos quais as quantidades de cada alimento nas dietas otimizadas podem desviar em relação à quantidade de consumo observada na população, evitando que dietas otimizadas sejam cultural ou socialmente inaceitáveis. Cada alimento poderia desviar progressivamente a cada 5g a partir da ingestão média observada em cada estrato até que o modelo retornasse uma solução. Isso foi feito executando n modelos para cada estrato, impondo limites inferiores ( li ) e superiores ( ls ) que consistem respectivamente em [ m _f
,
g– d ] e [ m _f
,
g+ d ], onde m _f
,
gé a quantidade média do alimento f observada no estrato g , e d = (5, 10, 15, …, n ) é o desvio permitido da quantidade observada relatada de f . As restrições para f foram, no entanto, censuradas ao percentil 5 (limite inferior) e percentil 95 (limite superior). Esses percentis foram estimados para cada alimento dentro de cada região do país. Primeiro, foi obtida a média de ingestão de f em cada estrato. Em seguida, foram obtidos os percentis 5 e 95 da distribuição das médias de consumo de f dentro de cada região. Os percentis foram usados como restrições nos estratos dentro de cada região.

Restrições adicionais foram incluídas para grupos de alimentos. De forma similar ao descrito para os alimentos, as quantidades de cada grupo de alimento nas dietas otimizadas não poderiam ser menores que o percentil 5 e maiores que o percentil 95 da distribuição das médias de consumo dentro de cada região do país. Os grupos de alimentos para os quais foram aplicadas as restrições estão descritos abaixo. Considerando o baixo consumo de frutas e hortaliças na população, este grupo e todos os alimentos que o contém tiveram suas restrições máximas de quantidade relaxadas até que o modelo encontrasse solução matemática possível.

Para as restrições nutricionais foram utilizados dois conjuntos separadas em dois modelos. No modelo 1 a dieta deve conter pelo menos 400g de frutas e hortaliças. No modelo 2, em adição ao modelo 1, a dieta deve estar adequada em relação às recomendações para prevenção de doenças crônicas¹¹. As dietas otimizadas serão isocalóricas em relação às dietas observadas. Alimentos ultraprocessados, classificados segundo a classificação NOVA¹², foram restringidos às suas quantidades observadas de consumo ou menos. O conjunto das restrições utilizadas encontra-se descrita na Tabela 1 .

Tabela 1. Restrições nutricionais impostas aos modelos de otimização.

	Modelo 1	Modelo 2
Energia (kcal)	= observado	= observado
Carboidratos (%kcal)		55%–75%
Proteínas (%kcal)	-
Gorduras (%kcal)	-	15%–30%
Gord. saturada (%kcal)	-	< 10%
Gord. poliinsaturadas (%kcal)	-	6%–10%
Gord. trans (%kcal)	-	< 1%
Sódio (mg)	-	≤ 2.300
Sódio / potássio	-	≤ 0,9
Cálcio (mg)	-	≥ 500
Frutas e hortaliças (g)	≥ 400	≥ 400
Alimentos ultraprocessados (g)	≤ observado	≤ observado

Open in a new tab

Modelos de Programação Linear

Os modelos de otimização de dados por programação linear foram desenvolvidos para identificar a melhor solução (combinação de alimentos que irão compor as dietas otimizadas) que satisfaça ao conjunto de restrições de adequação nutricional ao menor custo possível. A função objetivo pode ser descrita segundo a seguinte formula

y = \sum_{i = 1}^{i = g} (Q_{i}^{o t m} \cdot {preço}_{i})

onde: g é o número de alimentos, Q_i^otmé a quantidade do alimento i no cardápio otimizado e preço_ié o preço do alimento por quilo.

Análise Descritiva

Foram avaliadas as quantidades médias observadas e otimizadas dos seguintes grupos: feijão (feijão e leguminosas), laticínios (leite integral e desnatado, queijo, iogurte e outros laticínios), frutas, hortaliças, tubérculos (batata, mandioca e inhame); carne vermelha (carne bovina e suína), aves, peixes e frutos do mar, ovos, oleaginosas, óleos (manteiga e margarina); pães, bolos e biscoitos, arroz branco e integral, massas (macarrão, massa para lasanha e similares), farinhas (farinha de mandioca e farofa), molhos (molhos para salada e molhos para massas), bebidas adoçadas (refrigerantes, sucos industrializados e néctares), alimentos prontos para consumo (pizza, sanduíches e salgadinhos) e doces. A diferença relativa entre o custo otimizado e observado [(custo otimizado-custo observado)/custo observado × 100] foi avaliada segundo classes de renda para os dois períodos. Para permitir uma comparação direta entre os períodos, foi estimado o custo da dieta observada de 2008–2009 com os preços dos alimentos de 2017–2018. Todas as análises foram ponderadas pelos pesos amostrais, em que o peso do estrato correspondeu à somatória dos pesos de seus domicílios. Os modelos de otimização foram executados no software SAS.

RESULTADOS

Os modelos só retornaram solução matemática viável para a maioria dos estratos após flexibilizar as quantidades máximas de frutas e hortaliças (itens individuais e grupos) em até três vezes o valor do percentil 95 da distribuição das médias de consumo. As restrições foram mantidas em percentis 5 e 95 para os demais alimentos e grupos.

O custo médio estimado com alimentação por pessoa/dia no Brasil em 2008–2009 foi de R$4,96, variando de R$3,80 a R$6,13 nos estratos de menor e maior renda. Em 2017–2018 foi de R$9,18, variando de R$7,53 a R$11,46 nos estratos de menor e maior renda. O custo otimizado médio – que considera somente modificações nas quantidades de frutas e hortaliças (modelo 1) – foi de R$4,62 em 2008–2009, variando de R$3,56 a R$5,56. Por sua vez, em 2017–2018 foi de R$8,69, variando de R$7,38 a R$10,42. Nesse modelo, a dieta otimizada custou em média 6.85% a menos que a dieta observada em 2008–2009 e 5,34% a menos que a dieta observada em 2017–2018. Quando incluídas restrições nutricionais para prevenção de doenças crônicas (modelo 2), o custo médio passou para R$ 5,08 em 2008–2009, variando de R$4,05 a R$6,09, e R$9,87 em 2017–2018, variando de R$8,65 a R$11,64. Neste modelo, a dieta otimizada custou em média 2,42% a mais que a dieta observada em 2008–2009 e 7,52% a mais que a dieta observada em 2017–2018. Os maiores incrementos no custo (em percentual) foram observados para o modelo 2 no período 2017–2018, especialmente nos estratos com rendimento per capita até um salário mínimo e na região nordeste. O custo da alimentação observada foi menor em ambos os períodos nas regiões Norte e Nordeste quando comparadas com as regiões Sul e Centro-Oeste ( Tabela 2 ).

Tabela 2. Custo médio (em Reais) das dietas observadas e otimizadas e variação percentual no custo da dieta otimizada segundo rendaa, região, restrições nutricionais (modelosb) e ano do inquéritoc.

	2008–2009			2017–2018

	Observado^d	Modelo 1^e	Modelo 2^e	Observado	Modelo 1	Modelo 2
Renda per capita
< 0,5	3,80 (0,11)	3,56 (-6,31)	4,05 (+6,58)	7,53 (0,18)	7,38 (-1,96)	8,65 (+14,87)
0,5–1	4,42 (0,07)	4,15 (-6,10)	4,62 (+4,52)	8,31 (0,19)	8,02 (-3,49)	9,35 (+12,52)
1–2	4,91 (0,07)	4,66 (-5,09)	5,04 (+2,64)	9,13 (0,18)	8,67 (-5,04)	9,66 (+5,81)
> 2	6,13 (0,05)	5,56 (-9,29)	6,09 (-0,65)	11,46 (0,23)	10,42 (-9,08)	11,64 (+1,57)
Região
Norte	5,28 (0,17)	4,91 (-7,00)	5,35 (+1,32)	8,68 (0,23)	8,10 (-6,68)	8,91 (+2,65)
Nordeste	4,37 (0,16)	3,96 (-9,38)	4,59 (+5,03)	8,40 (0,27)	7,82 (-6,90)	9,51 (+13,21)
Sudeste	5,18 (0,29)	4,91 (-5,21)	5,20 (+0,38)	9,26 (0,57)	8,88 (-4,10)	9,8 (+5,83)
Sul	5,22 (0,23)	4,81 (-7,85)	5,41 (+3,64)	10,32 (0,47)	9,62 (-6,78)	11,05 (+7,07)
Centro-Oeste	5,09 (0,2)	4,80 (-5,69)	5,27 (+3,53)	9,90 (0,39)	9,52 (-3,84)	10,47 (+5,76)
Brasil	4,96 (0,16)	4,62 (-6,85)	5,08 (+2,42)	9,18 (0,28)	8,69 (-5,34)	9,87 (+7,52)

Open in a new tab

^aRenda domiciliar per capita em salários mínimos.

^bModelo 1: adequação de frutas e hortaliças. Modelo 2: adequação de frutas e hortaliças, macronutrientes e gorduras, cálcio, sódio e potássio. Quantidade de alimentos ultraprocessados menor ou igual à quantidade observadas para ambos os modelos.

^cn = 108 estratos para ambos os períodos.

^dMédia (erro-padrão)

^eCusto em Reais (percentual em relação ao custo observado no período) calculado como: [(custo otimizado-custo observado)/custo observado × 100.

Na menor faixa de renda, o custo de dieta otimizada (modelo 1) em relação ao custo observado variou entre os estratos de -21% a +6% em 2008–2009 e -15% a +11% em 2017–2018. Para o modelo 2, essa variação foi de -11% a +25% em 2008–2009 e -11% a +34% em 2017–2018. Ainda nesse estrato de renda o custo médio da alimentação saudável em 2008-2009 foi maior que o custo da alimentação observada no período em 8% dos estratos do modelo 1 e em 71% dos estratos do modelo 2. Em 2017–2018 esses valores foram 16% no modelo 1 e 82% no modelo 2. O incremento no custo referente à dieta otimizada alcançou 34% em relação ao custo observado nos estratos de até 1 salário mínimo per capita no modelo 2 ( Figura 1 ).

Figura 1 — ^aCalculada como [(custo otimizado-custo observado)/custo observado] × 100.

^bRenda domiciliar *per capita* em salários mínimos.

^cModelo 1: adequação de frutas e hortaliças. Modelo 2: adequação de frutas e hortaliças, macronutrientes e gorduras, cálcio, sódio e potássio. Quantidade de alimentos ultraprocessados menor ou igual à quantidade observadas para ambos os modelos.

Se a dieta de 2017–2018 fosse a mesma praticada em 2008–2009, isto é, dieta de 2008–2009 com os preços de 2017–2018, seu custo seria de R$9,61, portanto, R$ 0,43 mais cara que o estimado em 2017–2018.

No primeiro inquérito, o consumo de arroz, laticínios, feijão, doces, peixes e bebidas adoçadas foi maior que no segundo inquérito. De uma forma geral, as modificações na dieta para acomodar o aumento nas quantidades de frutas e hortaliças foram semelhantes entre os dois períodos: redução nos laticínios, frango, molhos, ovos, carne vermelha, snacks e bebidas adoçadas; e aumento no arroz e farinhas. Para acomodar também as recomendações para prevenção de DCNT, foi necessário aumento mais expressivo de frutas e hortaliças, totalizando 535g em 2008–2009 e 486g em 2017–2018, além de aumento nos tubérculos, feijão, laticínios e redução em margarinas e manteigas, massas, pães, biscoito e bolo ( Tabela 3 ).

Tabela 3. Média de consumo em gramas de alimentos e grupos de alimentos nas dietas observadas e otimizadas segundo restrições nutricionais (modelosa) e ano de inquéritob.

	2008–2009			2017–2018

	Observado^c	Modelo 1	Modelo 2	Observado^c	Modelo 1	Modelo 2
Arroz	180,80 (5,86)	194,21	180,14	149,54 (4,5)	160,77	148,72
Biscoitos	16,54 (0,75)	14,33	9,71	15,49 (0,73)	13,76	10,11
Bolos	12,96 (0,69)	13,40	14,99	11,19 (0,55)	8,84	8,39
Laticínios	134,35 (5,34)	112,11	147,06	97,65 (4,64)	79,35	117,41
Doces	21,51 (1,09)	14,48	16,48	14,5 (0,94)	7,43	8,82
Farinhas	9,18 (1,89)	14,95	15,82	7,83 (1,59)	11,97	12,31
Feijões	203,55 (8,14)	203,23	217,03	175,19 (6,47)	179,18	189,79
Aves	36,15 (1,32)	29,38	35,04	50,57 (1,76)	44,29	53,64
Frutas	177,51 (6,96)	259,75	340,64	166,25 (5,83)	251,64	301,02
Hortaliças	60,32 (3,31)	140,25	194,57	66,8 (3,19)	148,36	185,89
Massas	43,89 (2,13)	46,59	33,51	40,64 (1,69)	43,76	31,76
Molhos	4,46 (0,59)	1,45	1,41	4,52 (0,35)	1,40	2,07
Oleaginosas	0,18 (0,03)	0,31	0,34	0,34 (0,06)	0,52	0,58
Óleos	6,32 (0,19)	8,52	3,52	8,26 (0,31)	8,28	4,79
Ovos	12,35 (0,72)	8,84	13,11	12,74 (0,45)	8,76	12,37
Pães	56,76 (1,49)	58,80	42,21	57,94 (1,44)	60,17	49,53
Peixes	28,34 (3,75)	21,49	26,60	18,78 (2,36)	12,47	20,99
Carne vermelha	95,65 (2,43)	78,04	73,81	99,02 (2,27)	82,92	85,83
Prontos para consumo	20 (1,58)	14,98	11,54	22,16 (1,25)	15,97	13,94
Beb. Adoçadas	123,23 (9,62)	116,53	111,07	80,52 (3,43)	74,17	69,90
Tubérculos	30,61 (1,73)	27,15	42,64	33,7 (1,79)	29,41	42,65

Open in a new tab

^aModelo 1: adequação de frutas e hortaliças. Modelo 2: adequação de frutas e hortaliças, macronutrientes e gorduras, cálcio, sódio e potássio. Quantidade de alimentos ultraprocessados menor ou igual à quantidade observadas para ambos os modelos.

^bn = 108 estratos para ambos os períodos.

^cMédia (erro-padrão).

O impacto do aumento de frutas e hortaliças nas quantidades de nutrientes foi mais evidente para fibra, vitamina A, vitamina C e folato, que aumentaram em pelo menos 10% em relação à ingestão observada para os dois períodos. Por outro lado, houve redução em ambos os períodos. Ao incluir as restrições nutricionais do modelo 2, houve aumento mais expressivo para esses e outros nutrientes, como vitamina E, cobre, zinco e magnésio, além do aumento no cálcio e potássio e redução no sódio, nutrientes que tiveram as quantidades definidas no modelo 2 ( Tabela 4 ).

Tabela 4. Média de ingestão de energia e nutrientes nas dietas observadas e otimizadas segundo restrições nutricionais (modelosa) e ano de inquéritob.

	2008–2009			2017–2018

	Observado^c	Modelo 1	Modelo 2	Observado^c	Modelo 1	Modelo 2
Energia (kcal)	1.696,7 (13,4)	1.696,8	1.696,8	1.699,9 (10,5)	1.699,9	1.699,9
Carboidratos (g)	2.32,5 (1,65)	252,5	253,6	230,1 (2,0)	251,3	244,2
Proteínas (g)	77,5 (0,8)	69,8	73,2	78,5 (0,6)	71,2	79,4
Gorduras (g)	56,3 (0,7)	52,0	50,8	56,8 (0,6)	51,8	51,8
Gord. Monoinsaturadas (g)	17,2 (0,2)	15,5	15,3	18,4 (0,3)	17,2	15,8
Gord. Poliinsaturadas (g)	13,4 (0,2)	12,5	12,8	14,2 (0,2)	13,0	13,1
Gord. Saturadas (g)	19,3 (0,3)	17,9	16,8	17,8 (0,2)	15,5	16,3
Gord. Trans (g)	1,43 (0,03)	1,37	1,09	1,33 (0,02)	1,2	1,07
Fibras (g)	25,1 (0,4)	29,1	32,5	22,7 (0,3)	26,9	29,5
Cálcio (mg)	445,1 (12,7)	401,9	508,5	394,1 (12,6)	353,4	500,8
Cobre (mg)	1,45 (0,03)	1,55	1,70	1,29 (0,02)	1,40	1,54
Ferro (mg)	11,3 (0,1)	11,3	11,1	10,8 (0,1)	10,8	11,0
Fósforo (mg)	1.001,5 (11,1)	920,8	1.011,8	972,6 (6,8)	895,4	1035
Magnésio (mg)	258,7 (3,4)	272,5	300,2	239,7 (2,0)	254,6	282,2
Potássio (mg)	2.118,3 (28,8)	2.296,7	2.761,3	2.011,0 (19,2)	2.196,6	2.616,9
Sódio (mg)	2.505,6 (29,1)	2.382	2.238,4	2.376,6 (21,2)	2.264,9	2.260,5
Zinco (mg)	10,8 (0,1)	10.1	10,2	10,8 (0,1)	10,2	10,7
Niacina (mg)	13,8 (0,3)	12.3	12,8	15,1 (0,2)	13,4	15,1
Folato (mcg)^d	446,5 (6,7)	477,7	491,5	407,4 (5,3)	439,3	464,2
Vitamina A (EAR)^e	518,8 (26,4)	603,1	732,2	429,8 (17,7)	475,3	639,5
Vitamina B1 (mg)	0,89 (0,01)	0,89	0,89	0,93 (0,01)	0,91	0,96
Vitamina B12 (mg)	5,3 (0,18)	4,42	4,64	4,16 (0,12)	3,42	4,02
Vitamina B2 (mg)	1,08 (0,02)	1,03	1,06	0,93 (0,01)	0,89	0,96
Vitamina B6 (mg)	0,66 (0,01)	0,7	0,65	0,62 (0,01)	0,66	0,65
Vitamina C (mg)	124,9 (3,7)	243,4	339,5	117,4 (3,5)	233,3	270,3
Vitamina D	2,66 (0,07)	2,31	2,77	2,11 (0,04)	1,8	2,33
Vitamina E (mg)	5,78 (0,07)	6,34	7,09	6,11 (0,08)	6,76	6,81

Open in a new tab

^bn = 108 estratos para ambos os períodos.

^cMédia (erro-padrão).

^dEm equivalentes dietéticos de folato (DFE).

^eEm equivalentes de atividade de retinol.

DISCUSSÃO

Neste estudo foi estimado o menor custo de uma alimentação saudável e culturalmente aceitável para os períodos de 2008–2009 e 2017–2018 considerando as variações nas preferências alimentares e nos preços dos alimentos no país. A adequação de frutas e hortaliças pôde ser alcançada com uma redução de 6,8% e 5,3% em relação ao custo observado com alimentação em 2008–2009 e 2017–2018, respectivamente. A inclusão de restrições relativas à prevenção de DCNT resultou em aumento mais expressivo de 7,5% em 2017–2018. Essas diferenças no impacto no custo da adoção de uma alimentação saudável entre os períodos podem ser explicadas por uma variação desigual dos preços entre os grupos de alimentos. A partir do início dos anos 2000 em diante o preço dos alimentos ultraprocessados vem decrescendo em relação ao preço dos alimentos in natura e minimamente processados¹³. Além disso, as médias de consumo de alguns alimentos marcadores de alimentação saudável, como laticínios, frutas, feijão e peixes, foram um pouco maiores em 2008–2009. Somente a título de comparação, o custo da dieta de 2008–2009, se adquirida com preços relativos a 2017–2018, seria R$9,61, isto é, 4,7% mais cara que o custo da dieta estimado de 2017–2018, que foi R$9,18. Assim, a adequação da dieta demandou menores modificações e, consequentemente, menores custos, particularmente no modelo 2 em que a composição nutricional do alimento também foi considerada na otimização.

A redução no custo médio da alimentação com quantidade adequada de frutas e hortaliças presentes no modelo 1 foi possível pela redução na quantidade de outros alimentos. O modelo otimiza as quantidades dos alimentos dentro da menor variação possível para incluir a quantidade definida de frutas e hortaliças, ou seja, a adequação não aumenta o custo contanto que outras modificações na alimentação também sejam feitas. Ainda que na média do país e na média de cada faixa de renda a adequação da quantidade de frutas e hortaliças não tenha resultado em aumento no custo da dieta, em vários estratos o incremento no custo foi necessário. Isso indica uma variação importante no impacto da adequação da dieta no custo pelo país. Particularmente no último inquérito e especialmente nas faixas de menor renda, o incremento no custo alcançou foi maior que 30% em relação ao custo observado para alguns estratos. De fato, adequar a quantidade de frutas e hortaliças na dieta das famílias de baixa renda parece não ser possível sem aumento no custo com alimentação. Estudo similar utilizando dados do inquérito de 2008–2009 com objetivo de reduzir o percentual da participação calórica de AUP e adequar ao máximo possível a quantidade de frutas e hortaliças em 400g/dia sem aumento no custo da dieta, atingiu 350g nos estratos de até meio salário mínimo per capita . Nos estratos de maior renda, essa quantidade chegou a 700g¹⁴. Para o modelo 2, o incremento ocorreu em todos os estratos de renda, exceto entre os de maior renda em 2008–2009. A implicação imediata destes resultados é que, para um percentual considerável de famílias, melhorar a alimentação resulta em maior gasto com alimentação.

O custo mínimo com alimentação adequada foi obtido considerando limites mínimos e máximos, denominados aqui restrições de aceitabilidade. Essas restrições delimitam o quanto cada alimento pode “desviar” da quantidade relatada em cada um dos períodos. Não havendo informações sobre preferências alimentares na população, os limites de aceitabilidade foram derivados da distribuição de consumo na própria população. O racional é que, caso as pessoas tenham relatado esses itens, isso significa que eles são aceitáveis na população. Entretanto, os limites definidos a partir das distribuições (neste caso, percentil 5 e 95) foram escolhidos arbitrariamente, consistindo, portanto, em uma limitação em estudos que envolvem aspectos socioculturais da dieta – ainda que seja um procedimento comum em estudos similares a este^6
,
15. Além da dimensão sociocultural, a definição do que é uma alimentação saudável também tem importante impacto nos custos. Quando a adequação de vitaminas e minerais é incluída entre as restrições dos modelos, o custo é em média 20% maior em relação ao gasto observado, ocorrendo em todos os níveis de renda⁵. No entanto, o custo de uma alimentação adequada em micronutrientes reduziram na medida em que restrições de aceitabilidade mais flexíveis foram sendo introduzidas aos modelos. Ou seja, quanto maior a tolerância à modificação no consumo, menor o custo final. Destaca-se, no entanto, que para as famílias de menor renda, o custo otimizado foi sempre maior que o observado para todos os limites de aceitabilidade impostos, o que não ocorreu nos demais estratos de renda⁵. Assim, deve-se ter em mente que o custo estimado neste estudo corresponde ao menor custo relacionado ao menor desvio em relação à dieta habitual em cada um dos períodos. Tal como nos demais estudos, o custo se reduz à medida que modificações mais drásticas são toleradas.

No presente estudo foram utilizados dois conjuntos de restrições nutricionais. O primeiro diz respeito somente às quantidades de alimentos, caracterizando-se como um cenário mais realista, uma vez que é mais provável que as pessoas façam as compras observando as quantidades de cada alimento na cesta. Por outro lado, o cenário do modelo 2 é importante para avaliar o quanto a adesão a demais recomendações para prevenção de DCNT demandaria de modificações na alimentação e no próprio orçamento. Trata-se de uma informação importante para profissionais de saúde e para elaboração de guias que devem considerar estratégias para alcance de objetivos de ingestão de determinados componentes da dieta ao menor custo e maior aceitabilidade.

Algumas questões metodológicas devem ser consideradas na interpretação desses resultados. Assumimos que os preços dos alimentos como bolos, sanduiches, doces, pizzas, lanches e salgados fritos e assados correspondem ao preço do alimento adquirido pronto para consumo, ainda que possam ser itens preparados em casa a partir da compra dos ingredientes. Nesse caso, o preço médio desses itens estará superestimado à medida que estas preparações são feitas em casa. Por outro lado, para preparações à base de cereais, leguminosas, carnes e massas, como arroz, feijão, lasanha etc., foi assumido a somatório do preço de seus ingredientes, ainda que possam ter sido adquiridos prontos para consumo em mercados ou restaurantes. Nesse caso, o preço médio pode estar subestimado, pois espera-se que preparações custem mais quando adquiridas prontas do que preparadas em casa. O sub-relato do consumo – comum em inquéritos alimentares – certamente leva a uma subestimativa do custo da alimentação observada¹⁶. No entanto, tanto o custo observado quanto o otimizado foram calculados para a mesma quantidade média de calorias em cada período, sendo, portanto, impactados da mesma forma pelo sub-relato. Assim, na ausência de sub-relato, os custos observados e esperados seriam maiores que os relatados aqui, não sendo, contudo, possível afirmar que a diferença entre eles permaneceria na mesma proporção que o encontrado no estudo. O sub-relato pode ocorrer de forma diferente entre os alimentos¹⁷. Caso tenha sido maior nas frutas e hortaliças, o incremento no custo pelo aumento na quantidade dos alimentos deste grupo seria menor que o obtido aqui. Cabe também destacar que as mudanças nas dietas otimizadas acarretam não somente em mudanças econômicas e culturais da alimentação, mas também em aspectos de conveniência. O aumento na ingestão de frutas e vegetais implica visitas mais frequentes ao mercado, além de maior tempo gasto no preparo e cocção. Variáveis não consideradas neste estudo.

Um dos pontos principais deste estudo foi considerar a grande variação de preços e de padrões de consumo pelo país, otimizando o custo da dieta adequada mais semelhante possível à dieta observada em cada estrato e em cada período. A avaliação apenas da média do país omite em que extensão a adequação da dieta impacta os estratos nas diferentes regiões do país. Entretanto, em função da grande variação no dia-a-dia no consumo alimentar, foi necessário agrupar os indivíduos em estratos, cuja média do consumo de um dia é uma boa aproximação da média de consumo usual no grupo¹⁸.

Concluindo, este estudo indica que a adequação da quantidade de frutas e hortaliças na dieta pode não acarretar aumento de custo médio tanto em 2008–2009 quanto em 2017–2018. No entanto, para um percentual significativo dos estratos avaliados, a adequação demandaria aumento no gasto com alimentos, particularmente no período de 2017–2018. Quando a adequação de cálcio, sódio e potássio também são introduzidas aos modelos de otimização, observou-se um aumento no custo da dieta nos dois períodos examinados.

Footnotes

Financiamento: Fundação Carlos Chagas de Amparo à Pesquisa do Estado do Rio de Janeiro (Faperj - Processo E26/203.263/2017).

[B1] 1. Lock K, Pomerleau J, Causer L, Altmann DR, McKee M. The global burden of disease attributable to low consumption of fruit and vegetables: implications for the global strategy on diet. Bull World Health Organ. 2005 [cited 2020 Nov 2];83(2):100-8. Available from: https://apps.who.int/iris/handle/10665/72961 [PMC free article] [PubMed]

[B2] 2. Mayén AL, Marques-Vidal P, Paccaud F, Bovet P, Stringhini S. Socioeconomic determinants of dietary patterns in low- and middle-income countries: a systematic review. Am J Clin Nutr. 2014;100(6):1520-31. 10.3945/ajcn.114.089029 [DOI] [PubMed]

[B3] 3. Instituto Brasileiro de Geografia e Estatística, Diretoria de Pesquisas, Coordenação de Trabalho e Rendimento. Pesquisa de Orçamentos Familiares, 2017-2018: primeiros resultados. Rio de Janeiro: IBGE; 2019. 64 p.

[B4] 4. Moubarac JC, Claro RM, Baraldi LG, Levy RB, Martins APB, Cannon G, et al. International differences in cost and consumption of ready-to-consume food and drink products: United Kingdom and Brazil, 2008-2009. Glob Public Health. 2013;8(7):845-56. 10.1080/17441692.2013.796401 [DOI] [PubMed]

[B5] 5. Verly-Jr E, Darmon N, Sichieri R, Sarti FM. Reaching culturally acceptable and adequate diets at the lowest cost increment according to income level in Brazilian households. PLoS One. 2020;15(3):e0229439. 10.1371/journal.pone.0229439 [DOI] [PMC free article] [PubMed]

[B6] 6. Darmon N, Ferguson EL, Briend A. A cost constraint alone has adverse effects on food selection and nutrient density: an analysis of human diets by linear programming. J Nutr. 2002;132(12):3764-71. 10.1093/jn/132.12.3764 [DOI] [PubMed]

[B7] 7. Barré T, Vieux F, Perignon M, Cravedi JP, Amiot MJ, Micard V, et al. Reaching nutritional adequacy does not necessarily increase exposure to food contaminants: evidence from a whole-diet modeling approach. J Nutr. 2016;146(10):2149-57. 10.3945/jn.116.234294 [DOI] [PubMed]

[B8] 8. Instituto Brasileiro de Geografia e Estatística, Diretoria de Pesquisas, Coordenação de Trabalho e Rendimento. Pesquisa de Orçamentos Familiares 2008-2009: despesas, rendimentos e condições de vida. Rio de Janeiro: IBGE; 2010.

[B9] 9. Moshfegh AJ, Rhodes DG, Baer DJ, Murayi T, Clemens JC, Rumpler WV, et al. The US Department of Agriculture Automated Multiple-Pass Method reduces bias in the collection of energy intakes. Am J Clin Nutr. 2008;88(2):324-32. 10.1093/ajcn/88.2.324 [DOI] [PubMed]

[B10] 10. Universidade de São Paulo, Food Research Center. Tabela Brasileira de Composição de Alimentos (TBCA). Versão 7.1. São Paulo: FoRC; 2020 [cited 2020 Nov 5]. Available from: http://www.fcf.usp.br/tbca

[B11] 11. World Health Organization. Diet, nutrition, and the prevention of chronic diseases: report of a Joint WHO/FAO Expert Consultation. Geneva (CH): WHO; 2003. (WHO Technical Report Series; nº 916). [PubMed]

[B12] 12. Monteiro CA, Cannon G, Levy RB, Moubarac JC, Louzada ML, Rauber F, et al. Ultra-processed foods: what they are and how to identify them. Public Health Nutr. 2019;22(5):936-41. 10.1017/S1368980018003762 [DOI] [PMC free article] [PubMed]

[B13] 13. Maia EG, Passos CM, Levy RB, Martins APB, Mais LA, Claro RM. What to expect from the price of healthy and unhealthy foods over time? The case from Brazil. Public Health Nutr. 2020;23(4):579-88. 10.1017/S1368980019003586 [DOI] [PMC free article] [PubMed]

[B14] 14. Verly-Jr E, Pereira Ada S, Marques ES, Horta PM, Canella DS, Cunha DB. Reducing ultra-processed foods and increasing diet quality in affordable and culturally acceptable diets: a study case from Brazil using linear programming. Br J Nutr. 2020 Nov 4:1-25. 10.1017/S0007114520004365 [DOI] [PubMed]

[B15] 15. Gazan R, Brouzes CMC, Vieux F, Maillot M, Lluch A, Darmon N. Mathematical optimization to explore tomorrow’s sustainable diets: a narrative review. Adv Nutr. 2018;9(5):602-16. 10.1093/advances/nmy049 [DOI] [PMC free article] [PubMed]

[B16] 16. Freedman LS, Commins JM, Moler JE, Arab L, Baer DJ, Kipnis V, et al. Pooled results from 5 validation studies of dietary self-report instruments using recovery biomarkers for energy and protein intake. Am J Epidemiol. 2014;180(2):172-88. 10.1093/aje/kwu116 [DOI] [PMC free article] [PubMed]

[B17] 17. Lafay L, Mennen L, Basdevant A, Charles MA, Borys JM, Eschwège E, et al. Does energy intake underreporting involve all kinds of food or only specific food items? Results from the Fleurbaix Laventie Ville Santé (FLVS) study. Int J Obes Relat Metab Disord. 2000;24(11):1500-6. 10.1038/sj.ijo.0801392 [DOI] [PubMed]

[B18] 18. Palaniappan U, Cue RI, Payette H, Gray-Donald K. Implications of day-to-day variability on measurements of usual food and nutrient intakes. J Nutr. 2003;133(1):232-5. 10.1093/jn/133.1.232 [DOI] [PubMed]

PERMALINK

Cost of healthy and culturally acceptable diets in Brazil in 2009 and 2018

Eliseu Verly Junior

Dayan Carvalho Ramos Salles de Oliveira

Rosely Sichieri

ABSTRACT

OBJECTIVE

METHODS

RESULTS

CONCLUSION

INTRODUCTION

METHODS

Data Source

Unit of analysis

Optimization Models Variables

Food intake

Food prices

Model Constraints

Table 1. Nutritional constraints imposed on optimization models.

Linear Programming Models

Descriptive Analysis

RESULTS

Tabela 2. Average cost (in Reais) of observed and optimized diets and percentage variation in the cost of the optimized diet according to incomea, region, nutritional restrictions (modelsb) and the survey yearc.

Figure 1. Relative difference (%)a the optimized and observed costs in the strata according to income b, nutritional restrictions (modelsc) e year of survey.

Table 3. Average consumption in grams of foods and food groups in observed and optimized diets according to nutritional constraints (modelsa) and year of surveyb.

Table 4. Average energy and nutrient intake in observed and optimized diets according to nutritional constraints (modelsa) and year of the surveyb.

DISCUSSION

Funding Statement

Footnotes

REFERENCES

Custo de uma alimentação saudável e culturalmente aceitável no Brasil em 2009 e 2018

Eliseu Verly Junior

Dayan Carvalho Ramos Salles de Oliveira

Rosely Sichieri

RESUMO

OBJETIVO

MÉTODOS

RESULTADOS

CONCLUSÃO

INTRODUÇÃO

MÉTODOS

Fonte de Dados

Unidade de Análise

Variáveis dos Modelos de Otimização

Consumo alimentar

Preços dos alimentos

Restrições do modelo

Tabela 1. Restrições nutricionais impostas aos modelos de otimização.

Modelos de Programação Linear

Análise Descritiva

RESULTADOS

Tabela 2. Custo médio (em Reais) das dietas observadas e otimizadas e variação percentual no custo da dieta otimizada segundo rendaa, região, restrições nutricionais (modelosb) e ano do inquéritoc.

Figura 1. Diferença relativa (%)a entre os custos otimizados e observados nos estratos segundo rendab, restrições nutricionais (modelosc) e ano do inquérito.

Tabela 3. Média de consumo em gramas de alimentos e grupos de alimentos nas dietas observadas e otimizadas segundo restrições nutricionais (modelosa) e ano de inquéritob.

Tabela 4. Média de ingestão de energia e nutrientes nas dietas observadas e otimizadas segundo restrições nutricionais (modelosa) e ano de inquéritob.

DISCUSSÃO

Footnotes

ACTIONS

PERMALINK

RESOURCES

Similar articles

Cited by other articles

Links to NCBI Databases