Food loss and waste reduction interventions: A scoping review
Notice bibliographique
Résumé
Globally, one third of food produced goes to waste, which contributes to climate change, negatively impacts air and water resources, and can lead to environmental and human health risks. Mitigation efforts have surged in response to these staggering statistics on food loss and waste, including initiatives such as food rescue and upcycling programs. Circular economy practices are important for a sustainable future. Limited literature is available that compares different food rescue programs worldwide and synthesizes considerations for planning new interventions. This paper is a scoping review of peer-reviewed literature on programs and interventions for food rescue and food waste reduction that occur at the retail level. The search in Scopus and Web of Science yielded 400 records for studies published in the past 30 years. Analysis of 18 full-text reports showed diverse food programs from the United States, United Kingdom, Germany, Greece, New Zealand, Canada, Sri Lanka, and Israel. Studies were conducted in various settings, including restaurants, institutions, and retail food stores. The collection methods of rescued food varied according to the program’s capacity and included accepting donations, redistribution programs, and social enterprises. The results of these reports highlight some of the barriers that food rescue programs face, including logistical and workforce challenges, liability concerns, food availability, and financial restraints. Facilitators that promoted food rescue included the use of complementary technology, cooperative alliances, supportive policies, and favourable incentives. Report findings highlight the key role of volunteers, partnerships, and innovative technological solutions in advancing food rescue and waste reduction programs. Our research focuses on consolidating the lessons previously learned as a means of helping future food waste diversion programs overcome obstacles and improve operational efficiency. While food rescue is an important intermediary endeavour, addressing the root causes of wasted food and reducing inefficiencies in the current modern industrial food system is necessary to meaningfully reduce food waste at a global level.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».