Sustainable Food Cold Chains: Opportunities, Challenges and the Way Forward
Notice bibliographique
Résumé
An estimated 14 percent of the total food produced for human consumption is lost, while 17 per cent is wasted. This is enough to feed around 1 billion people in a world where currently 811 million people are hungry and 3 billion cannot afford a healthy diet. The lack of effective refrigeration is a leading contributor to this challenge, resulting in the loss of 12 percent of total food production, in 2017. Moreover, the food cold chain is responsible for 4 percent of global greenhouse gas emissions, including from cold chain technologies and food loss and waste due to lack of refrigeration. This report explores how food cold chain development can become more sustainable and makes a series of important recommendations. These include governments and other cold chain stakeholders collaborating to adopt a systems approach and develop National Cooling Action Plans, backing plans with financing and targets, implementing and enforcing ambitious minimum efficiency standards. The Montreal Protocol on Substances that Deplete the Ozone Layer - a universally ratified multilateral environmental agreement - can contribute to mobilizing and scaling up solutions for delivering sustainable, efficient, and environmentally friendly cooling through its Kigali Amendment and Rome Declaration. Reducing non-CO2 emissions, including refrigerants used in cold chain technologies is key to achieve the Paris Agreement targets, as highlighted in the latest mitigation report from the Intergovernmental Panel on Climate Change (IPCC). At a time when the international community must act to meet the Sustainable Development Goals, sustainable food cold chains can make an important difference.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».