# 面向能量密度调整的Nutri-Score算法用于一般食品的探索性评估(Exploration of an Energy-Density Adjustment to the Nutri-Score Algorithm for General Foods)

《EUROPEAN JOURNAL OF NUTRITION》:Exploring an energy-density adjustment to the Nutri-Score algorithm for general foods

【字体: 大 中 小 】 时间:2026年09月20日 来源:EUROPEAN JOURNAL OF NUTRITION 4.5

编辑推荐:

  **目的**:Nutri-Score依据每100克或100毫升的营养价值对食品进行分类,这可能导致对低能量密度及大份量产品(如即食餐)的辨别能力不足。研究人员假设,调整Nutri-Score算法以纳入能量密度的变异,能够更好地捕捉营养质量,尤其是在即食餐等低能

  
**目的**:Nutri-Score依据每100克或100毫升的营养价值对食品进行分类,这可能导致对低能量密度及大份量产品(如即食餐)的辨别能力不足。研究人员假设,调整Nutri-Score算法以纳入能量密度的变异,能够更好地捕捉营养质量,尤其是在即食餐等低能量密度食品中,同时不会对其他食品的评分产生实质性影响。本研究旨在开展一项概念验证性评估,将适用于一般食品的Nutri-Score算法调整为不同的能量密度水平。

**方法**:本研究利用挪威食品数据库Tradesolution和Unil(N=25,813),将能量调整算法与Nutri-Score 2023进行比较。

**结果**:能量调整版Nutri-Score使22%的产品分类发生改变。低能量密度食品(如即食餐)的评分变异性有所增加,表明营养质量评估更为细致,符合预期设想。在这些食品中,研究人员还观察到有利评分减少、不利评分增加的现象。然而,高能量密度食品类别(如蛋糕和糕点)则更频繁地获得较有利的评分。此外,低脂与全脂产品之间的辨别能力有所下降。

**结论**:尽管能量调整版Nutri-Score改善了某些低能量密度食品的评分区分度,但其表现出不利的副作用,表明总体上并不优于Nutri-Score 2023。尽管如此,将算法调整为适应能量密度的方法在特定情境下仍为改进营养概况分析(nutrient profiling)方法提供了潜力。进一步优化加权系统有望解决观察到的不足,从而将该方法推广至更广泛的应用。
## 一、研究背景与问题提出

Nutri-Score作为一种前端包装营养标签(front-of-pack nutrition label),已在多个欧洲国家投入使用,其核心功能是通过简化的字母分级(A-E)向消费者传达食品的营养质量信息。该评分系统包含三套算法,分别适用于饮料、一般食品以及高脂食品(如油脂、坚果和种子),以适应不同食品类别间显著的能量密度差异。然而,适用于一般食品的算法所覆盖的能量密度范围极为宽泛,从清汤到蛋黄酱均囊括其中,这使得该算法可能无法在最适水平上评估处于能量密度谱系两端的食品。

现有研究指出,Nutri-Score按每100克进行评分的方式在很大程度上受到食品含水量影响,因而被批评为"受含水量混淆"。这一缺陷对于跨类别统一评分的营养概况分析系统(across-the-board nutrient profiling)尤为突出,因为不同食品类别之间的能量密度差异远大于类别内部的差异。在挪威开展的NewTools项目中,研究人员识别出Nutri-Score 2023算法的一个潜在局限:即食餐(ready meals)和混合菜肴倾向于聚集在狭窄的评分范围内,特别是C级。这些产品通常含水量高、能量密度相对较低,加之其份量往往较大,使得现有算法难以捕捉其中有意义的营养质量差异,从而限制了该标签系统在指导消费者选择更优即食餐方面的实用价值。

基于上述背景,研究人员提出假设:将Nutri-Score算法调整为适应能量密度的变异,可能改善低能量密度食品(如即食餐和混合菜肴)的营养质量区分度,同时不会引起其他食品评分的重大变化。本研究的目的是探索一般食品Nutri-Score算法在不同能量密度食品中捕捉营养质量差异的性能,并对将算法调整为四个能量密度水平的方法开展概念验证性(proof-of-concept)评估。

## 二、研究内容与主要结论

研究人员利用挪威两个大型食品数据库——Tradesolution(2023年6月版,N=28,691)和Unil(2022年11月版,N=577)——开展了一项方法学评估研究。经数据清洗后,最终合并数据集包含25,833种独特食品项目。研究将能量调整版算法与Nutri-Score 2023算法进行比较,评估食品分类的变化、评分在不同能量密度上的分布特征,以及各食品类别内的评分变动情况。

研究得出以下核心结论:能量调整版Nutri-Score使22%的产品(n=5,647)获得了不同的Nutri-Score分类等级,其中转向更不利评分的产品(12%,n=3,155)略多于转向更有利评分的产品(10%,n=2,492)。在发生分类变化的产品中,95%仅移动了一个评级等级。能量调整算法增加了低能量密度食品的评分变异性,特别是即食餐产品,但其代价是高能量密度食品类别(如饼干、蛋糕和糕点)更频繁地获得了有利评分,同时低脂与全脂产品之间的辨别能力有所下降。综合评估后,能量调整版算法总体上并未优于Nutri-Score 2023。

## 三、主要关键技术方法

本研究主要使用了以下关键技术方法:(1)能量密度分层加权法——以数据库中所有一般食品的能量密度中位数1 MJ/100 g为参照点(权重=1),根据不同能量密度水平设计加权因子,将原始的十一个能量密度等级缩减为四个加权层级(1.5、1.1、0.9、0.8),以平衡按100 g和按100 kcal评分的贡献各占50%;(2)评分阈值再校准——为补偿能量调整算法导致的总分分布向不利方向偏移,根据研究数据集中的评分分布经验性地调整A-E分类阈值;(3)数据库交叉对比分析——将两种算法同时应用于挪威Tradesolution和Unil食品数据库(N=25,813),通过交叉分类、百分比一致性分析和箱线图可视化等方法进行描述性比较评估。纤维缺失产品(n=14,929)按0分处理,水果、蔬菜和豆类(FVL)数据缺失时,除明确分类为果蔬豆类的产品(n=1,615,赋值>80%)外均按0分处理。分析使用Microsoft Excel进行算法开发,Stata 17进行统计分析,RStudio进行数据可视化。

## 四、研究结果

### 4.1 总体分类变化

能量调整版Nutri-Score导致22%(n=5,647)的产品获得不同的Nutri-Score分类等级。其中12%(n=3,155)的产品移向更不利的评分,10%(n=2,492)移向更有利的评分。在发生分类变化的产品中,绝大多数(95%)仅移动了一个等级,但也有部分产品移动了多个等级。

### 4.2 跨能量密度的评分变异性分析

通过箱线图分析发现,Nutri-Score 2023算法下,低能量密度产品几乎全部获得有利评分(A-C级),而高能量密度产品(能量点数≥4)则几乎全部获得D或E级。能量调整算法在低能量密度食品中显示出增大的评分变异性,表明该调整达到了预期目的——为低能量密度食品提供更细致的营养质量区分。然而,评分中位数分布出现向不利方向偏移的轻微趋势。

### 4.3 即食餐类结果

即食餐中69%(n=1,014)的产品聚集在1-2个能量点数。Nutri-Score 2023算法下,即食餐的评分变异性极为有限,大多数低能量密度即食餐(能量点数≤2)获得C级评分。能量调整算法显著增加了即食餐的评分变异性,特别是低能量密度产品,但整体评分分布向更不利方向偏移。在能量≤670 kJ/100 g的即食餐(汤类、炖菜、粥、意面菜肴和素食即食餐)中,产品主要从B移至C、从C移至D;在671-1,005 kJ/100 g区间(主要是披萨、三明治、寿司、饺子和含肉即食餐)中,产品从C移向B或D;在更高能量密度区间(>1,006 kJ/100 g,主要是披萨、三明治、派和卷饼)中,产品大多从C移至D。

### 4.4 其他食品类别结果

能量调整影响了所有食品类别。变化最大的类别包括植物基肉类、蛋黄酱沙拉、肉酱、植物基酸奶、鱼类以及饼干、蛋糕和糕点。部分类别(如植物基三明治酱、原味谷物和粮食、面包、早餐麦片、饼干、蛋糕和糕点、甜味零食和甜味涂抹酱)中,获得A和B级有利评分的产品比例增加,D和E级减少;相反,另一些类别(如乳制酸奶、红肉、肉酱、鱼类、蔬菜和豆类、土豆、酱汁、调味品和蘸酱以及即食餐)中,A和B级产品比例下降,D和E级比例上升。

在奶酪类别中,脂肪含量18-29%的产品趋向更有利评分,C级比例增加、D级减少;而脂肪<18%的奶酪主要从C移至D,脂肪>29%的奶酪则更多从D移至E。酸奶方面,≤3%脂肪且≥6%糖的产品因饱和脂肪、糖和蛋白质含量而评分变异性增加;>3%脂肪的酸奶无论含糖量如何均主要从C移至D。红肉产品方面,<10%脂肪且<2 g盐的产品普遍向不利评分方向移动;≥10%脂肪且≥2 g盐的产品评分变化大多从D移至E。鱼类产品方面,>0.3 g盐的产品无论脂肪含量如何均向不利评分偏移,例如含<2%脂肪和1.6 g盐/100 g的鳕鱼从A级移至D级;而≤0.3 g盐的鱼类产品评分基本保持不变。

## 五、讨论总结

本研究发现,Nutri-Score 2023算法系统性地偏向低能量密度产品,使其不论营养质量如何均更容易获得有利评分,而高能量密度产品则几乎被限定在D或E级。理想情况下,Nutri-Score分类应主要反映营养质量而非能量密度。例如,仅含橄榄油和香草的橄榄油基调味酱不应必然获得E级,而一份提供全天最大盐摄入量的即食餐也不应因能量密度较低而必然获得C级。

能量调整算法的一个核心理论问题在于能量密度与Nutri-Score算法中已包含的多种营养素之间存在密切关联。能量密度并非独立的食物特征,而在很大程度上由宏量营养素(特别是脂肪、糖类以及一定程度上的蛋白质)含量决定,这些营养素已纳入Nutri-Score算法。因此,按能量密度调整营养评分引入了加权变量与被加权变量之间的概念重叠,形成一种概念循环性(conceptual circularity),这可能是导致多项非预期评分结果的原因。高能量密度食品因加权因子降低而减少了不利营养素对最终评分的影响,而低能量密度食品的加权因子提高则使有利和不利营养素对最终评分的影响均被放大。

在方法学层面,本研究存在若干局限。权重因子的选择基于经验判断和初步测试,而非正式优化推导;A-E分类阈值与加权方案同时改变,使得两种修改的独立效应无法被分离;研究仅测试了一种加权结构,未进行敏感性分析。此外,研究未进行全面的效度验证(validation),仅测试了与Nutri-Score 2023的收敛效度。由于能量调整算法未能在即食餐以外的食品中保持评分稳定性,产生了过多非预期副作用,因此未进行进一步验证。

## 六、研究结论翻译

尽管所提出的能量调整版Nutri-Score算法增强了某些低能量密度食品类别(如即食餐)的评分变异性,但其同时表现出不一致性和弱点。低脂替代品因盐等不利成分受到更多惩罚,导致评分不再一致性地偏好能量和饱和脂肪含量较低的产品。此外,高能量密度食品类别(如饼干、蛋糕和糕点以及甜味零食和甜点)更频繁地获得有利的Nutri-Score评分,表明能量调整版Nutri-Score总体上并未显示出优于Nutri-Score 2023的表现。对算法的进一步优化有望解决部分观察到的副作用。该方法本身——即将跨类别统一的营养概况分析模型调整为适应能量密度——在营养概况分析之外的不同应用场景中仍可能具有实用潜力,例如基于环境足迹的食品评分。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号