EN中文

JOURNAL OF NATURAL RESOURCES >

2022 , Vol. 37 >Issue 10: 2572 - 2582

DOI: https://doi.org/10.31497/zrzyxb.20221008

Theory and Technology of Anti-foodWaste Monitoring and Evaluation

Quantifying food waste from photos: Taking Beijing typical cafeterias as an example

  • ZHANG Dan ,
  • WU Liang
Expand
  • Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China

Received date: 2022-03-28

  Revised date: 2022-06-28

  Online published: 2022-12-28

Fold

Abstract

The Anti-food Waste Law of the People's Republic of China was issued and came into force on April 29, 2021. Monitoring and evaluation of food waste is the major part and the important basis for the implementation of the Law. Based on the principles and requirements of the Anti-food Waste Law, this study proposes a new quantification method from photos for food waste, and tests the validity and the feasibility based on 656 observations from four typical cafeterias in Beijing. The main conclusions of this study are as follows: (1) Based on the image method, the food waste index in the typical cafeterias was 0.64, 0.02 lower than that obtained by weight method, and the average plate waste generated by consumers in the typical cafeterias was 58.62 g/cap/meal in 2021, which was 2.40 g/cap/meal higher than that obtained by the weight method. (2) There is a significant correlation between the food waste rate obtained by the image method and that obtained by the weight method (Pearson cor=0.76, p<0.01), and the agreement between two sets of measurements has a good consistency (CCC=0.757, p<0.01), which confirmed the validity and the feasibility of the image method. (3) When using the image method to carry out monitoring and evaluation, we find that the results that include kitchen waste weight data are more reliable. This study explores a scientific, reliable, simple and feasible quantitative monitoring and evaluation method of food waste, and provides effective scientific and technological support for the enforcement of Anti-food Waste Law.

Key words： image method; monitoring and investigation; food waste; Beijing; typical cafeterias

Cite this article

ZHANG Dan , WU Liang . Quantifying food waste from photos: Taking Beijing typical cafeterias as an example[J]. JOURNAL OF NATURAL RESOURCES, 2022 , 37(10) : 2572 -2582 . DOI: 10.31497/zrzyxb.20221008

2021年4月29日,《中华人民共和国反食品浪费法》（以下称《反食品浪费法》）正式颁布实施,标志着中国反对食品浪费工作实现了由道德约束到法制治理的历史性转变。尽管《反食品浪费法》规定了警告、罚款、停业整顿等处罚措施,但这并不代表中国“食品节约,反对浪费”工作的大功告成。由于当前食品浪费基数不清,处罚标准不明等方面的原因,《反食品浪费法》遭遇执行难题,距离全面有效、依法治理食品浪费尚有一定的差距,亟需开展相关研究支持。
科学监测、调查和评估食品浪费情况是执法实践的必要前提与首要基础工作。《反食品浪费法》中明确规定开展食品浪费监测、调查和评估的责任部门主要包括县级以上地方人民政府（第四条）,国务院发展改革部门（第五条）,机关事务管理部门（第十八条）和国务院商务主管部门（第五条）与食品、餐饮行业协会（第十九条）,监测、调查和评估的对象分别为本级行政单位管辖区域内、全食品供应链上的食品浪费情况,全国食品供应链上,机关食堂和餐饮企业的食品浪费情况。可见,依法监测、调查和评估的对象不仅包括生产、储运、加工、消费等诸多环节,还涉及餐馆、食堂、家庭等多种场景,其浪费主体多样,浪费产物多样,浪费成因复杂,浪费形式也各不相同。如何构建统一、普适的食品浪费监测和调查方法体系是当前亟需开展研究的内容。
从已有研究来看,面向全国、地区、省/市不同尺度的食品浪费特征[1⇓-3],面向餐饮业[3⇓-5]、高校食堂[6,7]、医院[8]、家庭[2,9,10]等不同消费场景的食品浪费特征,都有涉足,而机关食堂受行政管理限制,其食品浪费等相关研究较为少见。从研究方法来看,常见的方法大多继承于膳食营养调查,主要包括记账法[11],指采用回忆或即时记录特定时间段内丢弃食品的方法;考古法[12],指定期检查并记录垃圾箱中丢弃的食品;推理法[13],指利用食品购买量和实际消费量的差额获取食品浪费量;目视法[14,15],指通过观察消费者餐盘剩余来判断食品的浪费程度;称重法[16,17],指利用称重工具测量并记录食品浪费量的方法;以及替代法[18],指用餐厨垃圾量来代替食品浪费量的方法。不同方法的优缺点和适用范围已有不少研究进行了讨论[19⇓-21]。其中,称重法的准确性最高,可作为其他调查方法的“金标准”,用以衡量其他方法的准确性,但其便捷性最低,人力和时间成本投入最大[22];替代法最为便捷,但其可靠性存有争议,有较大的改进空间;记账法、考古法和推理法适用范围有限,所需人力、物力投入较高,不适用于大尺度、多场景、长时序的监测和调查。
为了探索科学、普适、便捷的食品浪费定量监测和调查方法,本文以北京典型食堂为例,依照《反食品浪费法》中“技术上可行、经济上合理”的原则和要求,探索“图像法”作为食品浪费监测和调查的新方法,并利用图像法改进替代法;同时,利用“金标准”称重法对基于图像法的相关结果进行验证,以检验图像法的科学性。

1 研究方法与数据来源

1.1 理论框架

1.1.1 边界界定

本文中典型食堂指实行内部核算的集体福利性后勤服务单位;食品指各种供人食用或者饮用的成品和原料以及按照传统既是食品又是中药材的物品,但是不包括以治疗为目的的物品①(①引自《中华人民共和国食品安全法》。);食品分为可食用部分和不可食用部分,蔬菜去皮、豆渣、骨头、作料（如花椒、大料、干辣椒等）以及液体汤汁等属于不可食用部分,不属于食品浪费的范畴。
食品浪费是指对可安全食用或者饮用的食品未能按照其功能目的合理利用,包括废弃、因不合理利用导致食品数量减少或者质量下降等②(②引自《中华人民共和国反食品浪费法》。)。
本文界定的典型食堂食品浪费是指食堂在食品准备、烹饪、供餐、消费等过程中被丢弃的原本可食用的食品。
食堂餐厨垃圾主要包含前厅餐桌垃圾和后厨垃圾。前厅餐桌垃圾由两部分组成,前厅餐桌食品浪费和前厅餐桌不可食用垃圾。后厨垃圾主要包括后厨食品浪费和后厨不可食用垃圾。本文只涉及在典型食堂前厅发生的食品浪费情况（消费者浪费）,后厨发生的食品浪费不在本次研究范围内。

1.1.2 总体方案

在已往的研究中,一般用食品浪费率来表征食品浪费情况,其定义为食品浪费量占消费量的比值。但在大尺度、多场景、长时序监测与调查中,食品浪费量与消费量都不易获取。在本文中,采用食品浪费指数来表征食品浪费情况,特指丢弃食品中可食用部分（餐厨垃圾中的可食用部分）与所有丢弃食品（餐厨垃圾）的比值。
本文总体研究方案如图1所示。首先,选择同一样本运用3种不同方法分别开展食品浪费情况调查;再利用称重法调查结果,分别与图像法和改进的替代法所得结果进行对比分析,判断后两种方法是否可靠。
图1 总体研究框架

Fig. 1 Research framework

（1）称重法。利用称重法调查时,食品浪费指数有两种获得方式,一是以餐盘为单位,将样本消费者餐盘中所丢弃食品按照可食用和不可食用分开称重,计算可食用食品占所有丢弃食品的比例;二是以餐厨垃圾桶为单位,把样本餐厨垃圾桶中可食用部分和不可食用部分分开称重,计算可食用食品占所有丢弃食品的比例。因后者的可食用部分更容易受到菜（汤）汁污染,故采用第一种方法。
（2）图像法。本文所提出的“图像法”基于目视法而来。目视法是通过肉眼判断消费者餐盘中可食用部分占总丢弃食品的比例来实现的,而在此基础上衍生出来的照片法[23],是先把消费者的餐盘拍照,后通过观察照片以判断食品的浪费程度。两者均没有直接关联食品浪费的重量而是通过主观判断食品浪费的程度。这两种方法对观察者依赖较大,容易受不同观察者的主观影响。本文所提出来的“图像法”是一种利用图像分类技术,通过估算丢弃食品照片中可食用部分面积占比,从而估算食品浪费指数的方法,能够在一定程度上减少观察者的主观影响。利用图像法调查时,食品浪费指数即为残食回收容器横截面照片中可食用部分的面积占比。
（3）改进的替代法。替代法是对现有数据和监测能力不足的妥协。联合国环境规划署（UNEP）构建了全球、国家和国内不同尺度的食品浪费监测与评估方法体系[18],建议现阶段可以用餐饮垃圾量替代食品浪费量来开展监测工作。餐厨垃圾量和其中的可食用部分可以通过系数相互转换,但不同环节和场景之间的系数存在差异。有研究者采用20%作为固定的转换系数[24]。本文利用图像法来快速获取转换系数,以此改进替代法。在大尺度大规模食品浪费监测和调查中,只需要获取监测对象的餐厨垃圾总量并对餐厨垃圾回收容器进行拍照即可。得益于中国垃圾分类工作的推进,尤其是2021年9月,北京市城市管理委员会联合北京市发展和改革委员会等3部门发布了《关于加强本市非居民厨余垃圾计量收费管理工作的通知》[25],使得定量快速获取非居民餐厨垃圾量成为可能。

1.1.3 研究方法

（1）图像法的计算方法
本文利用ArcGIS处理照片,流程如下：
① 判断照片中食品剩余情况,若全部为可食用,则浪费指数RP=1;若全部为不可食用,则RP=0;否则,进入流程 ②;
② 在ArcGIS中新建类型为polygon的shapefile文件,投影坐标为空;加载样本照片,利用编辑工具分别识别绘制食品中的可食用部分和不可食用部分并对各类别进行赋值（可食用、不可食用分别赋值2、1）;利用ArcGIS计算多边形面积。
③ 绘制完成后,统计可食用部分面积 A e、不可食用部分面积 A i n e,则食品浪费指数 R P和样本平均浪费指数 R - P为：
R P = A e A e + A i n e
R - P = 1 n ∑ i = 1 n R P i
式中： R P i为第 i个样本的浪费指数; n为样本人数（人次）。
（2）称重法的计算方法
每个餐盘有3个重量指标：食品剩余量 W r,可食部分重量 W e,不可食部分重量 W i n e,则食品浪费量 W w为：
W w = W e = W r - W i n e
所有称重都是在沥油（汤）后进行; W e的食品组成比例与分类按照以下原则确定：① 菜品系区分比较明确并便于分离的,直接对每道菜品剩余组成分别进行称量;② 对加工和消费后不能确定其具体比例的（如饺子、包子等）,其食品组成比例采取最初加工前的比例进行计算。③ 所有食品最终归为八大类食品,分别是主食、肉类、水产品、蔬菜、蛋类、豆制品、坚果和水果。因此：
W e = ∑ j = 1 8 W j
式中： j为每个样本餐盘的第 j种食品, j=1, 2, 3, …, 8。
W - w = W - e = 1 n ∑ i = 1 n W e i
R w = W - e W - r
W T = 1 d ∑ a = 1 3 ( W - a × N a )
式中： W - w为典型食堂人均食品浪费量 [g/(人·餐)]; R w为基于称重法获得的食品浪费指数; W - r为典型食堂人均餐厨垃圾产生量 [g/(人·餐)]; W T为典型食堂的日浪费量（kg/天）; W - a为典型食堂第 a餐人均食品浪费量 [g/(人·餐)], a=1, 2, 3; N a为调查期间典型食堂第 a餐就餐人数（人次）; d为调研天数（天）, d = 2。
（3）改进替代法的计算方法
W - p = 1 n ∑ i = 1 n ( W r i × R P i )
W T P = 1 d ∑ a = 1 3 ( W a × R a )
式中： W - p为基于图像法的典型食堂人均食品浪费量 [g/(人·餐)]; W r i为第 i个样本的食品剩余量 [g/(人·餐)]; W T P为基于图像法的典型食堂日浪费量（kg/天）; W a为第 a餐残食回收容器中的餐厨垃圾量（kg）; R a为第 a餐残食回收容器中的浪费指数。
（4）图像法的检验方法
通过比较图像法和称重法所得结果在误差范围内是否一致,可检验图像法测量结果是否可靠。因样本的食品浪费指数和浪费量均为非正态分布,采用一致性相关系数（Concordance correlation coefficient,CCC）检验。CCC通过计算面向同一样本不同方法得到的数据,其距原点出发的45°线的离散程度,来评估两种方法的一致性[26]。CCC系数包括三个成分：① Pearson系数,用于评价拟合的线性程度;② 范围（scale）,用于评价拟合值与真实值的方差之比;③ 偏移量（location shift）,用于评价拟合值相对于真实值是否有平移。正态性检验采用Shapiro函数,皮尔逊相关性检验基于皮尔逊相关性系数,采用cor.test函数计算,CCC分析采用irr包的icc函数进行计算[27]。统计分析在R软件（ver. 4.0.3）[28]中进行。

1.2 实证研究

本文的实证研究在2021年8-9月期间开展,调查典型食堂4家（表1）,每个食堂连续调查2个工作日共6顿正餐,抽取消费者样本656位。消费者样本采用等距抽样法获得,抽样间隔由过去一周每餐平均就餐人数和目标样本量确定。
表1 样本食堂特征

Table 1 Characteristics of selected cafeterias

样本食堂 样本人数/人 就餐形式 就餐单位数量/家 是否外包经营 调研日就餐人数/人
食堂1 166 自助餐 1 否 1008
食堂2 160 自助餐 3 是 798
食堂3 164 自助餐 1 否 761
食堂4 166 自助餐 8 是 1689
开餐时,在食堂工作人员的帮助下,调查员在残食回收处获取样本消费者的餐盘,编号并原样留存;闭餐后,依次对餐盘中的食品分类称重;再倒入实验器皿中拍照。此外,在开餐前和闭餐后,分别对残食回收容器进行称重和拍照。消费者餐盘称重用秤为SF-400厨房电子秤,称量范围1 g~5 kg,精度1 g;残食容器称重为今选HY-612无线电子秤,称量范围30 g~200 kg,精度0.05 kg。

2 结果分析

2.1 人均食品浪费指数的对比分析

基于图像法的研究结果表明,北京典型食堂人均食品浪费指数为0.64,比称重法所获得的人均浪费指数（0.66）低了0.02。由图2可见,浪费指数超过0.80的最多,高达272人次,占总样本人次的41.46%;其次是浪费指数区间在0.61~0.80的,有115人次,占总样本人次的17.53%;位居第三的是浪费指数区间在0.41~0.60的,有101人次,占总样本人次的15.40%。这与称重法获得的浪费指数不同区间累计人次有所不同,但整体来看,浪费指数不同区间累计人次的趋势基本一致。
图2 不同浪费指数区间的累计人数对比

Fig. 2 The comparison of cumulative number of people in different waste index ranges

2.2 人均食品浪费量的对比分析

基于称重法的研究结果表明,北京典型食堂人均食品浪费量为56.22 g/(人/餐)。其中,午餐的浪费量最高,为78.84 g/(人/餐),是早餐浪费量 [28.02 g/(人/餐)] 的2.81倍,晚餐浪费量 [51.55g/(人/餐)] 的1.53倍。午餐浪费量最大,早餐最小,这可能与食品供应种类有关,种类越丰富,浪费量越大。
基于图像法所获得的北京典型食堂人均食品浪费量为58.62 g/(人/餐),比称重法获得的人均食品浪费量高出2.40 g/人/餐。三餐中,基于图像法获得的早餐食品浪费量为26.75 g/(人/餐),比称重法获得的低1.27 g/(人/餐);午餐食品浪费量为82.75 g/(人/餐),比称重法获得的高3.91 g/人/餐;晚餐食品浪费量为59.25 g/(人/餐),比称重法获得的高7.70 g/(人/餐)。整体来看,称重法与图像法两种方法所得出的主要结论相近（图3）。
图3 北京典型食堂三餐人均浪费量对比

Fig. 3 The comparison of three meals of food waste in Beijing typical cafeterias

2.3 食品浪费总体情况对比分析

基于图像法可获得样本食堂总体浪费指数为0.63~0.84,与称重法获得的浪费指数相差0.04~0.17,整体上比称重法获得的浪费指数高。从不同食堂浪费情况来看,排序变化不大,基本可以体现不同食堂浪费程度的差异。与称重法的估算结果相比,图像法结合餐厨垃圾量估算的样本食堂总浪费量相差不大,基本在3.11~7.32 kg左右,整体上会被高估。
表2 两种方法食品浪费总量对比

Table 2 Comparison of total food waste obtained by two methods

项目 食堂浪费指数 食堂每日浪费量/(kg/天)
图像法 排序 称重法 排序 图像法 称重法
食堂1 0.73 2 0.77 1 63.88 68.95
食堂2 0.84 1 0.66 2 54.16 46.84
食堂3 0.63 4 0.49 4 23.61 19.99
食堂4 0.70 3 0.66 3 136.23 133.12

2.4 图像法检验结果

皮尔逊相关性检验结果表明,图像法所得的食品浪费指数同称重法的皮尔逊相关系数r为0.762（p<0.01）,两者呈正相关关系,且相关性显著。一致性评价结果显示,两者之间的CCC系数为0.757（p<0.01）,95%置信区间为0.728<CCC<0.792。表明图像法可以有效评估典型食堂的食品浪费程度。基于图像法得到的食品浪费量同称重法所得到的皮尔逊相关系数r为0.949（p<0.001）;两者之间的CCC系数为0.948（p<0.001）,95%置信区间为0.940<CCC<0.955。这表明图像法与餐厨垃圾重量结合使用所得结果更可靠。
从两种方法得到的浪费指数的密度图比较（图4a）来看,图像法在浪费指数较低的时候,容易出现低估,在浪费指数较高的时候则容易出现高估,在中间则呈现轻微低估。从两种方法得到的浪费量的密度图比较（图4b）来看,二者的相关关系较好,仅仅在浪费指数较低的时候,容易出现低估。
图4 两种方法得到的浪费指数和浪费量的密度图比较

Fig. 4 The comparison of the density maps of food waste index and food waste amount obtained by the two methods

3 结论与讨论

本文面向《反食品浪费法》执法实践的需求,结合中国国情,探索提出了“图像法”作为食品浪费监测、调查、分析和评估工作的主要方法。图像法在北京典型食堂的实证研究表明,其所获得的食品浪费指数可以较好地反映食品浪费程度;尤其是引入餐厨垃圾量后,其结果能更好地反映实际情况。
已有的研究方法,或适用尺度与场景有限;或因投入较大,不能很好地满足《反食品浪费法》的原则与要求。与目视法和照片法相比,图像法能在一定程度上减少调查者的主观影响;与称重法相比,图像法能在很大程度上提高基层执法人员的工作效率,减少其工作负担。从时间成本来看,利用称重法获取单个食堂食品浪费情况约耗时5 h/天,而利用图像法只需0.5 h/天,仅为称重法的十分之一。从人力成本来看,称重法至少需要3人默契配合才能在较短时间内完成样本获取和分类称重工作;而图像法只需一人就能较为轻松地完成。此外,图像法所需工具较为简单,前期只需要手机等拍摄工具,而称重法前期调查则需要若干称重、分装等工具。这些工具的投入不仅增加经济负担,还可能造成环境污染。
图像法易受以下几个因素影响：（1）食品堆叠或挤压导致图像解析失误（图5a）。（2）对食堂供应菜品及其构成的了解程度不高导致偏差。（3）对食品是否可食存在一定的主观判断。很多食品具有不可食用部分,目前各界未见有明确的定义。《中国食物成分表标准版》中对可食用部分的认定为：“按照居民通常的加工、烹饪和饮食习惯,去掉其中不可食用的部分后,剩余的即为食物的可食部分,如香蕉要去掉皮,猪排要去掉骨头等[29]。”然而,由于饮食文化,不同地区对于可食用/不可食用部分的认知还存在着不同。以辣椒为例,面对不同类型的辣椒（红辣椒、青辣椒与干辣椒）时,不同的工作人员会给出不同的判断（图5b）。（4）样本图片不清晰（图5c）。在利用图像法开展典型食堂食品浪费调查和监测工作时,可以通过标准化流程和系统化培训来弱化这些影响。如,第一个问题可以通过多次摇晃残食回收容器等人工干预来降低影响;第二个问题可以把熟悉调查与监测对象的食品供应列入标准化流程,并要求执行人员严格遵守;第三个问题可以按照营养原则、习惯原则和作料原则统一制定食品可食用与不可食用部分一览表;第四个问题,可以通过建立质量保障机制避免该情况的发生。另外,建议全国执行人员统一并固定拍照时间。从调查结果来看,开餐后1个小时,即用餐高峰期拍照与称重法所得结果最为相近。
图5 图像法常见问题

Fig. 5 Common problems for deviation of the image method

图像法也可以广泛应用于学校、医院、餐饮机构等不同消费场景的前厅以监测和调查消费者的食品浪费程度。考虑到餐饮机构残食中食品种类会更丰富,是否会影响到图像法的可靠性还需进一步的验证。图像法具有一定的局限性。首先,图像法不适用于后厨,这是因为后厨餐厨垃圾主要由多制备出菜品的熟垃圾（食品浪费指数为1）和边角料类的生垃圾（食品浪费指数为0）两部分构成;第二,由于图像法的本质是用“面积”估算“重量”,相当于是对残食回收容器做了N次的截面扫描,这种方法在实践中会因残食密度不同导致食品浪费指数的不确定性（图5d）,建议辅以餐厨垃圾量来提高准确度。
本文在计算可食用部分面积占比时,利用了ArcGIS自带的空间分析功能,在实际开展工作时可用其他更为简易的工具或者开发专门工具替代;在区分可食用部分和不可食用部分的时候还依靠人工肉眼判断,随着大数据、人工智能等技术的快速发展,以深度学习模型为基础构建的食品图像识别方法已经取得了一系列的进展[30],今后可在此基础上构建不同类型的食品浪费数据集,搭建称重与可食用部分食品图像识别一体化的智慧餐厨垃圾回收系统。不仅可拓宽食品图像识别的应用范围,还可以进一步推进《反食品浪费法》的高效执行。
受新型冠状病毒肺炎疫情的影响,本文的食堂样本数量有限,图像法在大规模监测时的可靠性还待进一步的验证。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
XUE L, LIU X J, LU S J, et al. China's food loss and waste embodies increasing environmental impacts. Nature Food, 2021, 2: 519-528.

DOI

[2]
LI Y Y, WANG L N, LIU G, et al. Rural household food waste characteristics and driving factors in China. Resources, Conservation and Recycling, 2021, 164: 105209, Doi: 10.1016/j.resconrec.2020.105209.

DOI

[3]
WANG L E, LIU G, LIU X J, et al. The weight of unfinished plate: A survey based characterization of restaurant food waste in Chinese cities. Waste Management, 2017, 66: 3-12.

DOI

[4]
张丹, 成升魁, 高利伟, 等. 城市餐饮业食物浪费的生态足迹: 以北京市为例. 资源科学, 2016, 38(1): 10-18.

DOI

[ZHANG D, CHENG S K, GAO L W, et al. Ecological footprint of catering industry food waste in Beijing. Resources Science, 2016, 38(1): 10-18.]

DOI

[5]
张丹, 伦飞, 成升魁, 等. 城市餐饮食物浪费的磷足迹及其环境排放: 以北京市为例. 自然资源学报, 2016, 31(5): 812-821.

[ZHANG D, LUN F, CHENG S K, et al. The phosphorus footprint and its environmental analysis for restaurant food waste: Taking Beijing as an example. Journal of Natural Resources, 2016, 31(5): 812-821.]

[6]
QIAN L, LI F, CAO B M, et al. Determinants of food waste generation in Chinese university canteens: Evidence from 9192 university students. Resources, Conservation and Recycling, 2021, 167: 105410, Doi: 10.1016/j.resconrec.2021.105410.

DOI

[7]
WU Y L, TIAN X, LI X R, et al. Characteristics, influencing factors, and environmental effects of plate waste at university canteens in Beijing. Resources, Conservation and Recycling, 2019, 149: 151-159.

DOI

[8]
DHIR A, TALWAR S, KAUR P, et al. Food waste in hospitality and food services: A systematic literature review and framework development approach. Journal of Cleaner Production, 2020, 270: 122861, Doi: 10.1016/j.jclepro.2020.122861.

DOI

[9]
SONG G B, LI M J, SEMAKULA H M, et al. Food consumption and waste and the embedded carbon, water and ecological footprints of households in China. Science of the Total Environment, 2015, 529 (oct.1): 191-197.

DOI

[10]
ZHANG P P, ZHANG D, CHENG S K. The effect of consumer perception on food waste behavior of urban households in China. Sustainability, 2020, 12: 5676, Doi: 10.3390/su12145676.

DOI

[11]
ADELSON S F, DELANEY I, MILLER C, et al. Discard of edible food in household. Journal of Home Economics, 1963, 55(8): 633-638.

[12]
HARRISON G G, RATHJE W L, HUGHES W W. Food waste behavior in an urban population. Journal of Nutrition Education, 1975, 7(1): 13-16.

DOI

[13]
MUTH M K, KARNS S A, NIELSEN S J, et al. Consumer-Level food loss estimates and their use in the ERS loss-adjusted food availability data. Washington D C, USA: US Department of Agriculture, Economic Research Service, Technical Bulletin No.1927, 2011.

[14]
CONNORS P L, ROZELL S B. Using a visual plate waste study to monitor menu performance. Journal of the American Dietetic Association, 2004, 104(1): 94-96.

PMID

[15]
LORENZ B A S, HARTMANN M, LANGEN N. What makes people leave their food? The interaction of personal and situational factors leading to plate leftovers in canteens. Appetite, 2017, 116: 45-56.

DOI

[16]
张丹, 成升魁, 高利伟, 等. 城市餐饮业食物浪费碳足迹: 以北京市为例. 生态学报, 2016, 36(18): 5937-5948.

[ZHANG D, CHENG S K, GAO L W, et al. The carbon footprint of catering industry food waste: A Beijing case study. Acta Ecologica Sinica, 2016, 36(18): 5937-5948.]

[17]
WANG L E, XUE L, LI Y Y, et al. Horeca food waste and its ecological footprint in Lhasa, Tibet, China. Resources, Conservation and Recycling, 2018, 136: 1-8.

DOI

[18]
United Nations Environment Programme. Food Waste Index Report 2021. Nairobi. https://wedocs.unep.org/bitstream/handle/20.500.11822/35280/FoodWaste.pdf?sequence=3&isAllowed=y. 2021-12-12].

[19]
高利伟, 成升魁, 曹晓昌, 等. 食物损失和浪费研究综述及展望. 自然资源学报, 2015, 30(3): 523-536.

[GAO L W, CHENG S K, CAO X C, et al. Review of food loss and waste research and its prospects. Journal of Natural Resources, 2015, 30(3): 523-536.]

[20]
XUE L, LIU G, PARFITT J, et al. Missing food, missing data? A critical review of global food losses and food waste data. Environment Science & Technology, 2017, 51: 6618-6633.

DOI

[21]
XUE L, LIU G. Introduction to global food losses and food waste. In: CHARIS M G. Saving Food. New York: Academic Press, 2019: 1-31.

[22]
何丽. 膳食调查方法的特点与应用. 国外医学: 卫生学分册, 2003, (6): 368-371.

[HE L. Characteristics and application of dietary survey methods. Foreign Medicine: Health Science, 2003, (6): 368-371.]

[23]
GIBOREAU A, SCHWARTZ C, MORIZET D, et al. Measuring food waste and consumption by children using photography. Nutrients, 2019, 11(10): 2410, Doi: 10.3390/nu11102410.

DOI

[24]
PAINTER K, THONDHLANA G, KUA H W. Food waste generation and potential interventions at Rhodes University, South Africa. Waste Management, 2016, 56: 491-497.

DOI PMID

[25]
北京市城市管理委员会. 关于加强本市非居民厨余垃圾计量收费管理工作的通知. http://www.beijing.gov.cn/zhengce/zhengcefagui/202109/t20210901_2481900.html 2021-09-01].

[Beijing Municipal Commission of Urban Management. Notice on strengthening the administration of metering and charging of Municipal Non-resident kitchen Waste. http://www.beijing.gov.cn/zhengce/zhengcefagui/202109/t20210901_2481900.html 2021-09-01].]

[26]
LAWRENCE I K L. A concordance correlation coefficient to evaluate reproducibility. Biometrics, 1989, 45(1): 255-268.

PMID

[27]
GAMER M, LEMON J, SINGH P. irr: Various Coefficients of Interrater Reliability and Agreement, R package version 0.84.1, 2019. https://CRAN.R-project.org/package=irr.

[28]
R Core Team. R: A Language and Environment for Statistical Computing. Vienna: R Foundation for Statistical Computing. 2020. https://www.R-project.org/.

[29]
杨月欣. 中国食物成分表标准版(第六版/第一册). 北京: 北京大学医学出版社, 2018:VI-VII.

[YANG Y X. China Food Composition Tables Standard Edition. Beijing: Peking University Medical Press, 2018:VI-VII.]

[30]
闵巍庆, 刘林虎, 刘宇昕, 等. 食品图像识别方法综述. 计算机学报, 2022, 45(3): 542-566.

[MIN W Q, LIU L H, LIU Y X, et al. A survey on food image recognition. Chinese Journal of Computers, 2022, 45(3): 542-566.]

Options
Outlines

/

〈 〉