データ

Scientific Reports volume 13、記事番号: 418 (2023) この記事を引用

1681 アクセス

2 オルトメトリック

メトリクスの詳細

ホスピタリティおよび食品サービス (HaFS) 部門は、食品廃棄問題に貢献していることで有名です。 したがって、飢餓と闘い、食料安全保障を達成し、栄養を改善し、気候変動を緩和するために、HaFS部門における食品廃棄物を削減し、その運営を脱炭素化するための戦略を考案することが緊急に必要とされている。 この研究では、マカオの統合型リゾートにおける社員食堂の運営を脱炭素化するための 3 つの流れを提案しています。 これらには、提供されない食品廃棄物を減らすための上流の最適化、気候と健康に対する食品の選択の影響についてスタッフの意識を高めるための中流の教育、そして最後に最先端のコンピュータービジョンシステムを使用して食用皿の廃棄物を削減するための下流の認識が含まれます。 。 テクノロジーは、スピードカメラが人々を減速させて命を救うのと同じように、ナッジを通じて望ましい行動の変化を促進する効果的な媒体となり得ます。 採用された総合的かつデータ主導型のアプローチにより、ケータリング サービスを提供する組織や団体にとって、食品、気候、幸福の複雑な関係について個人を教育しながら、食品廃棄物とそれに伴う二酸化炭素排出量を削減できる大きな可能性が明らかになりました。

食品ロスと廃棄物 (FLW) は世界的な重大な問題であり、FAO1 の推計では、人間の消費のために生産された食用食品の 3 分の 1 が毎年世界中で廃棄されていることが示唆されています。 国の排出量という観点から見ると、FLW が国であれば、中国と米国に次いで世界で 3 番目に大きな温室効果ガス (GHG) 排出国となります2。 地球規模の FLW を削減すれば、大気中の GHG が大幅に削減され、気候変動への取り組みに大きな役割を果たすことになります。 世界人口が 2050 年までに 98 億人に達すると予測される中、この問題はさらに深刻になります 3。その一方で、11.3% という驚くべき人々が依然として毎日飢えに苦しんでいます 4。 このため、増加する人口を養うために世界の食料システムに対する需要はますます高まっています。

食糧生産に必要な淡水や肥沃な土壌などの天然資源は、補充されるよりも早く枯渇する可能性があります。 それらの保存は世界の食糧安全保障にとって極めて重要です。 したがって、飢餓ゼロ、きれいな水と衛生、責任ある消費と生産は、2015 年に策定され、多くの先進国と発展途上国で採択された 17 の持続可能な開発目標 (SDGs) の一部です5。 SDG目標12.3は、「2030年までに小売および消費者レベルでの世界の一人当たり食品廃棄物を半減し、収穫後の損失を含む生産およびサプライチェーンに沿った食品ロスを削減する」と設定されている。 国際食品廃棄物連合（IFWC）は、ホスピタリティ・フードサービス（HaFS）部門における2021年の最新の平均食品廃棄物がダイニングカバー1枚あたり115グラムであると報告し、この値はフランスの拠点が過剰に存在することから導き出されたものであると指摘した6。 2021 年 4 月、中国は食品廃棄の防止、国家の食糧安全保障の保護、資源の節約、環境の保護、持続可能な経済社会発展の促進を目的とした食品廃棄法を可決しました7。

定義上、食品ロスと廃棄物（FLW）は、サプライチェーン全体で人間の消費を目的とした可食部分の質量または栄養価の減少を指します8。 FAO9 によると、食品ロスは収穫後から小売段階までに発生しますが、小売段階は含まれません。 これは多くの場合意図的ではなく、農場から小売店まで食品の品質を維持するためのインフラや輸送が不十分であることが主な原因です。 一方で、食品廃棄物は小売りおよび消費者の段階で発生しており、HaFS 部門が大きく貢献しています。 多くの場合、高い食品基準の要件、過剰供給または需要不足による期限切れ食品、無駄な消費者の行動が原因です。 HaFS セクターは、特に毎日何千人もの個人が利用する社内カフェテリアを持つ組織や教育機関において、食品廃棄物の削減において重要な役割を果たしています。

食品廃棄物は、廃棄物そのものだけでなく、二酸化炭素と水の排出量10、生物多様性の損失11、経済への悪影響12など、環境に悪影響を及ぼします。 図 1 は、不十分な土地と水の管理による正のフィードバック ループがどのように気候変動、生物多様性の損失、土地劣化を加速させるかを示しています。 食品廃棄物の問題は、温室効果ガスの放出による気候変動と密接に関係しています。 気候変動によってもたらされる課題には、水と食料の安全保障13のほか、公衆衛生を脅かし14、巨額の経済損失を引き起こす気候関連災害の頻度と強度の増加などの異常気象が含まれます。 マカオにとって、2017 年の台風ハトの壊滅的な影響からわかるように、激しい洪水と台風は特に悲惨です16。私たちの食料システムにおける GHG 排出源には、農業のための森林伐採、植物の肥料、稲作、家畜の放牧、家畜のふん尿、化石燃料が含まれます。食品生産およびサプライチェーンで使用される17. 世界の食料生産は、世界の温室効果ガス排出量の 26% を占めると推定されています。 しかし、その 4 分の 1 は FLW によるものであり、これはサプライチェーンで失われる食品と消費者廃棄物であり、生産および収穫中の農場での食品ロスは含まれません18。 食料サプライチェーンを最適化することで、GHG 排出量の大幅な削減を達成でき、最終的にはパリ協定で定められているように、地球の気温上昇を 2 \(^\circ\)C 未満に抑えることができる可能性があります17。

土地の劣化、気候変動、生物多様性の損失の間のフィードバック ループ。 「The Global Land Outlook UNCCD (2022)」の図 1.3 より引用19。

この研究における統合型リゾートからの食品廃棄データには、主に 2 つのパターンが示されています。 まず、「提供されない食品」はバックキッチンの食品廃棄物の大半を占めており、これにはトリミング、腐敗、損傷、調理ミスによる廃棄物も含まれます。 これは、シェフが料理が提供される時間枠内の需要を過大評価していることを意味します。 この問題は、需要に基づいて供給を最適化することで解決できる可能性があります。 第二に、社員食堂の食品廃棄物全体の大部分（90％以上）を「皿くず」カテゴリが占めていました。 これは、スタッフが摂取したすべての食品を消費する能力または食べなければならない時間を過大評価しているか、食品の品質が期待に達していないことを意味します。 この問題は、動作の変更やメニューの変更によって解決できる可能性があります。

この研究は、社員食堂での食品ロスの根本原因に取り組むための 3 つの主要な質問に答えることを目的としています。シェフは毎日どのくらいの量の食品を調理すべきですか? スタッフがより良い食品の選択をし、食用食品の無駄を減らすよう促すにはどうすればよいでしょうか? 調理が不十分な可能性のある料理についてシェフにフィードバックを提供するにはどうすればよいですか?

論文の計画は次のとおりです。「方法」では、上で述べた 3 つの研究課題、つまり上流の最適化、中流の教育、下流の認識に対処するために使用される実験方法について説明します。 「結果: ケーススタディ」では、この研究の統合型リゾートで実施された実験の結果について説明します。 「議論と展望」では、介入の影響だけでなく、今後の研究の課題や改善点について議論します。 最後に「結論」でこの研究の結論を導き出します。

図 2 は、食品廃棄物からのライフサイクル GHG を削減するためにこの研究で提案された 3 つの脱炭素化の流れを示しています。 3 つのストリームには、(1) 上流の最適化、(2) 中流の教育、(3) 下流の認識が含まれます。 3 つのストリームは、統合型リゾートの従業員食堂の食品廃棄物と二酸化炭素排出量を削減するためのデータ駆動型の総合的なアプローチを構成します。 格言にあるように、「測定しないものは管理できない」です。

食品廃棄物からのライフサイクル GHG 排出量を削減するための脱炭素化の 3 つの流れ: 上流の最適化、中流の教育、下流の認識。

上流の最適化は、提供されない食品廃棄の問題に取り組むことを目的としています。 問題の原因は、調理のしすぎ、調理が不十分な料理、または料理の需要の不足につながる低品質の食材に起因する可能性があります。 社員食堂の需要と供給をより深く理解するために、さまざまな食品カテゴリの裏キッチンからの提供されなかった食品廃棄物の重量データが分析され、さまざまな日に社員食堂で提供されたカバーの数と相関付けられました。需要と供給の間の潜在的な不一致が明らかになる週。

社員食堂の需要をモデル化して予測するために、時間ごとの食事のカバー データが使用されました。 2020 年 4 月 1 日から 2022 年 4 月 1 日までの 2 年間の履歴データがありました。 カバーデータは、それぞれ規則的な食事時間と週末に起因する、日次および週次の強い季節性を示しました。 したがって、Prophet パッケージは、この時系列予測タスクに非常に適していました20。 この手順は、傾向、季節性、休日の影響が基礎となる非線形データに適合する相加的モデルに基づいていました。 欠落データや傾向の変化を確実に処理できます。 予測の不確実性の原因には、傾向の不確実性、季節性推定、追加の観測ノイズが含まれます。 Prophet 予測モデルは次の関数で要約できます。

ここで、 y(t) は予測の出力、 g(t) は平坦、区分的線形または区分的ロジスティック トレンドのトレンド関数、 s(t) はフーリエ級数によって次のように近似される季節関数です。日内、週次、および/または年次の季節成分、h(t) は休日関数、\(\epsilon (t)\) は正規分布すると仮定される誤差項です。 季節性モードは加算的または乗算的である可能性があります。 乗法的な季節成分は、時刻 t におけるトレンド値 g(t) に比例する量として追加され、季節の影響がトレンドの増加または減少に比例して応答します。

社員食堂のカバーの数を予測するモデルができたら、次のステップは、予想される社員数を考慮してどれだけの食料が必要になるかをモデル化することでした。 これは、炭水化物、脂肪、タンパク質の 3 つの主要栄養素で構成される人間の食事をモデル化することで達成されました。 1 日の平均推奨摂取量 2000 kcal21 を使用して、必要な食物の量を予測できます。 Zhang et al.22 による研究では、中国人被験者と他の民族集団の間で栄養素摂取量に違いがあることが示されました。 彼らは、中国人サンプルの中で、炭水化物、脂肪、タンパク質に分割された主要栄養素の割合がおよそ 50:35:15 であることを発見しました。 オンラインの主要栄養素計算機23に基づくと、体重を維持し、適度な量のタンパク質を摂取したいと考えている、座りがちな35歳、身長1.70メートル、体重60kgの男性/女性の場合、一般的な主要栄養素の割合は50:30:20でした。 一般的な主要栄養素のカロリー密度が炭水化物 4 kcal/g、脂肪 9 kcal/g、タンパク質 4 kcal/g であるとすると、1 日あたりの主要栄養素のグラム数は、炭水化物、脂肪、タンパク質で 250:67:100 となります。 これは、平均的なスタッフの基本的な栄養ニーズを満たすためのベースラインとして扱われました。

1 日の 2000 kcal を 3 回の食事に分けて、朝食で 20%、昼食で 40%、夕食で 40% を消費すると仮定し 24、マクロ分割の割合が前述と同じままであると仮定すると、1 回の食事に必要なマクロの量は次のようになります。

朝食—50:13.4:20

昼食—100:26.8:40

夕食—100:26.8:40

ここで、すべての比率は、炭水化物、脂肪、タンパク質のグラム単位でそれぞれ示されています。

1 日前にカバーの数を予測することで、シェフはスタッフの基本的な栄養ニーズを満たすために調理する各料理の十分な量を推定し、調理しすぎの可能性を最小限に抑えることができます。 予測モデルは、1 日の終わりに新しいダイニング カバー データが入力されると毎日更新される可能性があります。

中流教育では、従業員が自分たちの食品の選択が気候や健康にどのような影響を与えるかを理解できるように、従業員食堂のすべての料理に炭素と栄養のラベルを貼ります。 そのためには、社員食堂で提供されるすべての料理のレシピと、その料理を調理するために使用される厨房機器を収集し、その料理の消費段階で発生するGHG排出量を見積もる必要がありました。

社員食堂のメニューは、牛肉、粥、卵と豆、デザート、果物、豚肉、鶏肉、米と麺、ソース、魚介類、スープ、甘汁、野菜の13種類に分類されていました。 合計 404 の料理と 344 のユニークな食材があり、そこから栄養データベースが構築されました。

栄養表示皿には、Cronometer とそこに含まれる情報源からの栄養データが使用されました。 ほとんどの食材名は中国語であったため、社員食堂の料理用のカスタム栄養データベースを構築する前に、これらは英語に翻訳されました (補足情報を参照)。 カロリーと主要栄養素の量は、ほとんどの栄養表示の慣例に従って、それぞれ料理 100 g あたりの kcal とグラムの単位で報告されました。

炭素標識皿については、ライフサイクルアセスメント (LCA) を使用して、生産から廃棄までの食材の環境への総合的な影響を推定しました。 各段階に関係するエネルギーと資源を個別に考慮することで、目標を絞った脱炭素化戦略を実行できるように、排出の「ホットスポット」を特定するのに役立つ可能性がある。

食品成分のライフサイクル評価には、(1) 農業 (食品生産のため)、(2) 加工 (保管および包装を含む)、(3) 流通、(4) 消費、および (5) 廃棄物管理の 5 つの段階が含まれています。 。 ライフサイクルの各段階で二酸化炭素排出量が発生するため、食品に炭素ラベルを付ける際にはそれを考慮する必要があります。 ほとんどの場合、農業段階が総食料排出量に最も大きく寄与しており、地域や食料ごとに大きなばらつきはあるものの、食料システム排出量の 80 ～ 86% を占めています25。 サプライチェーン排出の残りの段階も、国ごとに異なる食品消費パターンに応じて大きく異なります。

すべての原材料は、アルコール、水産物、牛肉、乳製品、卵、果物、菌類、子羊肉、豆類、トウモロコシ、ナッツ、油、豚肉、鶏肉、米、調味料、野菜、小麦の 18 種類のいずれかに分類されます。 このアプローチは、北京の食品廃棄物の二酸化炭素排出量調査に基づいて、特定の食品の種類に対して中国固有の排出係数を使用するために採用されました26。 他の排出係数の発生源、食品加工のエネルギー強度の仮定、輸送モードと距離、マカオ特有の廃棄物管理排出量は、補足情報で入手可能な排出量データ ファイルに文書化されています。

各皿について、二酸化炭素排出量は、レシピに記載されている材料の重量に基づいて、kg CO2e/kg (つまり、皿 1 キログラムあたりの CO2 換算キログラム) で与えられました。 CO\(_2\) 相当量 (CO2e) は、地球温暖化係数 (GWP) の違いによるさまざまな温室効果ガス (GHG) の気候への影響を標準化するために使用される測定単位です。 GWP は、CO\(_2\) と比較した 100 年間にわたる温暖化効果の尺度です。 たとえば、メタン (CH\(_4\)) は CO\(_2\) の約 28 倍、亜酸化窒素 (N\(_2\)O) は CO\(_2\) の約 273 倍です。 。

さまざまな料理の二酸化炭素排出量のベンチマークとして、Swedish Meat Guide 信号システムが使用されました。\(<4\) kgCO2e/kg、4 ～ 14 kgCO2e/kg、\(>14\) kgCO2e/kg は緑色でマークされました。 、それぞれオレンジ色と赤28． 個人の食品の二酸化炭素排出量の閾値（または「公正な毎日の食品排出量」）は、2.7 kgCO2e/日に設​​定されました。 この値は、線形減少傾向を仮定して、2050 年までに正味ゼロに達するために必要な 2030 年の世界の CO2e 総排出量に基づいており、次のように計算できます: 33.8 ギガトン CO2e/年/85 億人/365 日 \(\times\) 25 % (食品消費の場合) \(\およそ\) 2.7 kgCO2e/人/日29.

下流の認識には、スタッフが何を捨てているかをよりよく理解し、定量化するために、コンピュータービジョンを使用したプレート廃棄物検出システムの構築が含まれます。 これにより、非食用（骨、貝殻、皮など）と食用（野菜、肉、米など）の食品廃棄物の分離が可能になります。 さまざまな種類の食品廃棄物の検出により、調理方法などのレシピの変更の可能性をシェフに知らせたり、それに応じて材料を調整したりすることもできます。

生じるかもしれない疑問の 1 つは、なぜプレート廃棄物をスタッフ自身が手動で分別できないのかということです。 理想的な世界では、これは版の廃棄物を正確に認識して定量化するための実行可能なアプローチとなるでしょう。 しかし、現実にはいくつかの問題があります。 たとえば、スタッフが急いでいて、皿の廃棄物をすべて 1 つのゴミ箱に捨てている場合があります。 皿の廃棄物は乱雑になることが多いため、食べられる食べ物と食べられない食べ物を分別するのに時間がかかり、ピーク時にカフェテリアで長い行列ができる可能性があります。 皿の廃棄物を手作業で分別するには何千人もの従業員を訓練する必要があるだろう。 このような介入を強制すると、人的資源が浪費される可能性があります。 その点で、自動版廃棄物検出システムは人間の規律を方程式から排除し、上記の問題を軽減するのに役立ちます。

採用されたコンピューター ビジョン アルゴリズムは、YOLOv530 と呼ばれる最先端の物体検出モデルで、対象の物体をリアルタイムで検出できます。 食品廃棄物品目は多種多様であるため、モデルをトレーニングするのに十分な大きさのデータセットを提供するには、何千ものラベル付き食品廃棄物画像が必要でした。 オブジェクト検出モデルをトレーニングするには、(1) 画像、および (2) 画像内の対象となるすべてのオブジェクトの周囲のクラス名を持つ境界ボックスで構成されるラベルの 2 つの入力が必要です。 DeepLearning.ai31 による Machine Learning Engineering for Production (MLOps) コースで強調されているように、機械学習にはデータ中心のアプローチを採用する必要があります。 一貫性のある正確なラベルを使用してトレーニングされた単純なモデルが、一貫性がなく不正確なラベルを使用した最先端のアルゴリズムに勝つことがよくあります。

データに注釈を付けるには、Modified OpenLabelling ツール 32 と Roboflow プラットフォーム 33 を使用して、ラベル付けプロセスを合理化し、他のアノテーターと協力しました。 改良された OpenLabelling ツールにより、ローカル マシンに保存されている画像の迅速なラベル付けが可能になりました。 Roboflow プラットフォームでは、境界ボックスを微調整したり、クラス分布などのデータセットの概要統計を取得したりできます。これにより、どのクラスが過小評価されているかが通知されるため、問題を軽減するために過小評価されたクラスを対象にデータ収集を行うことができます。階級の不均衡。

物体検出モデルのパフォーマンスを定量化するために、いくつかの指標が使用されました。 Intersection over Union (または IoU) と呼ばれる一般的なメトリクスは、2 つの境界ボックス間の重なりを測定します。 それは次のように定義されます。

ここで、「交差領域」は 2 つの境界ボックス間の重なり部分であり、「結合領域」は両方の境界ボックスで囲まれた合計領域です。 IoU が高いほど、2 つのボックス間のオーバーラップの割合が大きくなることを意味し、値 1 は完全なオーバーラップを意味します。 IoU が事前に定義されたしきい値 (例: IoU = 0.5) を超える場合、予測された境界ボックスとグラウンド トゥルース境界ボックスの間の重複は陽性検出または真陽性 (TP) であると言われ、それ以外の場合は偽陽性 (FP) となります。 ）。 偽陰性 (FN) とは、対象のオブジェクトを含む画像内の境界ボックスをモデルがまったく予測できない場合です。

推論中、モデルには目に見えない画像が与えられ、境界ボックスを予測します。 予測された各境界ボックスには、0 から 1 までの値の確率 (または信頼スコア) があります。信頼値が高いほど、特定のクラスのオブジェクトが予測された位置に存在するというモデルの確信度が高いことを意味します。 モデルによって最初に予測される境界ボックスが多数存在する可能性があります。 オブジェクトの周囲に最適な境界ボックスのみを維持するために、YOLOv5 は非最大抑制 (NMS) を使用して境界ボックスの数を減らします。 まず、NMS は、事前定義されたしきい値 (例: conf = 0.5) より大きい信頼性 (conf) スコアを持つ境界ボックスのみを保持し、そうでない場合は削除します。 第 2 に、最良のバウンディング ボックスに関して、事前定義されたしきい値 (たとえば、IoU = 0.5) より大きい IoU 値を持つすべての予測バウンディング ボックスが削除されます。 2 つの予測間の IoU が大きい場合は、2 つの境界ボックスが同じオブジェクトを参照していることを示している可能性があります。 この手順は、画像内の予測されたクラスごとに繰り返されます。 ここで使用される信頼性と IoU のしきい値は NMS しきい値と呼ばれ、推論前にユーザーが設定できます。

モデルが特定のクラスをどの程度正確に予測するかを測定するには、精度と再現率のメトリクスを使用して、グランド トゥルースに対して予測を評価します。 予測がどの程度正確であるかを測定する精度は次の式で与えられます。

つまり、実際に真実である肯定的な予測 (TP + FP) の割合 (TP)。 再現率は、モデルがすべてのポジティブな点をどれだけうまく見つけられるかを測定し、次の式で与えられます。

つまり、正しく予測された陽性例 (TP + FN) の割合 (TP)。 ここで、TP は真陽性、FP は偽陽性、TN は真陰性です。 IoU しきい値が高から低に減少すると、精度が低下し、リコールが増加する可能性があります。これは、IoU しきい値が低いほど簡単に満たされ、より確実な検出 (TP または FP) が増えるためです。 各 IoU しきい値は、ラベル付きデータセットに対して異なる適合率 - 再現率 (PR) 曲線を生成します。 各クラスの平均精度 (AP) は、単一の IoU しきい値に基づく PR 曲線の下の面積です。 次のように計算できます

ここで、n は PR 曲線内の点の数であり、\(\text {Recall}[0] = 0\) です。 PR 曲線を構成するポイントは、単一の IoU しきい値 (例: IoU = 0.5) の下で、信頼度のしきい値 (例: conf = 0.25) まで、高信頼度から低信頼度までランク付けされたモデル予測です。 補間は、点を等間隔にするためによく使用されます。 言い換えれば、クラスの AP は精度の重み付き合計であり、重みは連続するポイント間の再現率の増加です。 各クラスの AP を計算した後、次のようにすべてのクラスを平均することで平均精度 (または mAP) を計算できます。

ここで、 \(AP_k\) はクラス k の平均精度、n はクラスの数です。 AP および mAP の評価に使用される信頼度および IoU のしきい値は、推論中の NMS しきい値とは異なることに注意してください。

物体検出の場合、モデルのパフォーマンスを定量化するために使用される 2 つの一般的なメトリクスは、\(\mathrm {[email protected]}\) です。これは、すべてのクラスで IoU = 0.5 の mAP を意味します。もう 1 つは、\(\mathrm {[email protected]:0.95}\ ) これは、mAP がすべてのクラスにわたって 0.05 のステップ サイズで 0.5 ～ 0.95 の 10 個の IoU しきい値にわたって平均したことを意味します。

概念実証として、小型の YOLOv5s モデルは、野菜、肉、骨などの食品カテゴリがラベル付けされたカメラを使用して手動で撮影された社員食堂からの 250 枚の皿廃棄画像を使用して 1000 エポックでトレーニングされました。 トレーニングは、UCL の天体物理学ハイパフォーマンス コンピューティング (HPC) クラスター内の Nvidia V100 GPU で実行されました。 このモデルはトレーニング セットに対して実質的にオーバーフィットしましたが、それでもモデルは食品廃棄物の画像とその中の食品オブジェクトの間の基礎となるマッピングを学習できたため、有望でした。

スタッフの通常業務を妨げずに大量の食品廃棄物の画像を効率的に撮影するために、管理室では次の画像収集メカニズムが設計されました。 作業員の管理作業を妨げないように、汚れたトレイ返却コンベヤー システムの上に高さ 2 m を超えるスチール製の取り付けブラケットが取り付けられました。 小型のクリップオンカメラがブラケットに取り付けられ、作業員が廃棄物処理のために多段のコンベアラックから汚れたトレイを取り出す場所の真下を監視していました。 カメラはビデオ モードに設定され、数時間連続録画されました。 事後分析中に、ビデオから 1 秒あたり 1 フレームの速度でフレームが抽出されました。 ストレージ サイズを削減するために、フレームのサイズが 1280 \(\times\) 1280 ピクセルに変更されました。 アクティブ ラーニングのアプローチを使用して、画像にはモデルの既存のバージョンが自動的にラベル付けされました。 ラベルは手動でチェックされ、必要に応じて修正された後、Roboflow 上の既存のトレーニング データセットにラベルを追加して境界ボックスを微調整し、最後にモデルを最初から再トレーニングしました。

版くずの重量を決定するために、版くずを投げる前後 (トレイが取り外される直前) に 2 回の重量測定を行うようにロード セルのセットをプログラムしました。 皿くずの重量は、トレイ、皿、ボウル、カップ、調理器具の重量を除いた 2 つの重量の差から求めることができます。

上記のアイデアに基づいて、上記のすべてを組み込むプレート廃棄トラッカーのプロトタイプが構築されました。 これは、プログラミング用の Raspberry Pi (RPi) 3b+ ユニット、計量用の 2 つのロード セル、画像をキャプチャするためのカメラ モジュール、上部にアクリル プラットフォームが付いた 2 つのロード セルを固定する木製の取り付けスタンド、収納するオーバーハング ケーシングで構成されています。 RPi ユニットと、下の計量プラットフォームの真上に配置されたカメラ。 2 つのロード セルは、荷重センサー コンビネータを介して RPi 汎用入出力 (GPIO) ピンに接続されました。 カメラ モジュールは、RPi ボードのカメラ モジュール ポートに直接接続されました。 RPi.GPIO、hx711、および picamera Python ライブラリは、Raspberry Pi GPIO チャネルを制御し、ロード セルおよびカメラ モジュールとインターフェイスするためのスクリプトで利用されました。 プレート廃棄トラッカーのスイッチを入れると、Raspberry Pi は自動的に WiFi 接続を確立し、ラップトップから SSH (ネットワーク通信プロトコル) 経由でリモート制御できます。 これにより、ソフトウェアのアップデートを無線で Raspberry Pi にプッシュできるようになりました。 食品廃棄物トラッカーの最終的なパイプラインを図 3 に示し、以下に要約します。

ユーザーがトレイをトラッカー プラットフォーム上に置くと、「前」の重量と画像のキャプチャがトリガーされます。 どちらも Raspberry Pi の SD カードに保存されます。

画像は、HTTP POST リクエストを介して、Docker コンテナ プレート廃棄物検出アプリ 34 をホストする Heroku サーバーにアップロードされます。 画像はプレート廃棄物検出のためにキャッシュされた YOLOv5 モデルによって処理され、結果は自動的に Pi SD カードにダウンロードされ、画面に表示されます。 この推論ステップはプログラムの残りの部分と非同期 (つまり並行して) 実行されることに注意してください。

同時に、ユーザーは皿くずをゴミ箱に捨てます。

廃棄後、ユーザーがプラットフォームからトレイを取り外すと、トレイの「後」の重量が自動的に取得され、その時点で「前」と「後」の差からプレート廃棄物の重量が計算されます。

このユーザーのプレート廃棄データは、事後分析のために CSV ファイルに保存されます。

サイクルはステップ 1 から繰り返されます。

プレート廃棄物追跡パイプライン。

この研究では、マカオの統合型リゾートの従業員食堂における食品廃棄物と二酸化炭素排出量を削減するための 3 つの経路を提案し、「HaFS セクターにおける食品廃棄物とそれに関連する影響」で提起された疑問に対処しました。 調理すべき食事の量を決定するために、社員食堂の需要予測と栄養モデルを使用して、社員の 1 日の基本的な栄養ニーズを推定しました。 従業員がより良い食品の選択をできるようにするため、従業員食堂で提供される 404 品の料理に炭素と栄養のラベルを貼り付け、さまざまな食品が気候と従業員の健康に与える影響についての意識を高めました。 食用食品廃棄物を削減するために、スタッフが何を捨てているかを追跡するコンピューター ビジョンを備えた皿廃棄物追跡装置が構築されました。その統計から、調理が不十分な可能性のある料理についてシェフに情報を提供することができます。 食堂を日常的に使用していたスタッフは主に中華系で、年齢は 30 歳から 50 歳で、高校または大学の教育を受けており、男女の割合はほぼ均等で、平均収入は約 200 円でした。年間 \(\ポンド\) 25,000 (執筆時点の MOP/GBP 為替レート \(\ポンド\) 0.11 に基づく)。 各戦略の詳細な結果については、以下で説明します。

図 4 は、曜日ごとのカバーの数と提供されなかった食品廃棄物の重量の変化を示しています。 その結果、オフィススタッフが週末に休みをとっているため、カバー数は平日が多く (通常 \(\sim\) 3100 カバー)、週末が少ない (通常 \(\sim\) 2850 カバー) という明確な二峰性の傾向が示されています。 一般に、提供されなかった食品廃棄物の 1 日あたりの平均は、月曜日から日曜日まで \(\sim\) 30 kg でした。 土曜日と日曜日のカバーの平均数は平日よりも約 8% 少ないにもかかわらず、提供されない食品廃棄物は、より大きな四分位範囲 (IQR) からわかるように、場合によっては増加しないにしても、同じままでした。 この結果は、ダイニングカバーの予測と主要栄養素モデルに基づいて調理する食品の量を最適化し、提供されない食品廃棄物を削減できる可能性を示しています。

曜日別の社員食堂のカバー数 (上) と提供されなかった食品廃棄物の重量 (下) を示す箱ひげ図。 ボックスの下部は下位四分位 Q1 (この値を下回るデータの 25%)、ボックスの上部は上位四分位 Q3 (この値を下回るデータの 75%)、中央値 Q2 (50%) に線があります。この値を下回るデータ)。 ボックスの上下のひげは、ボックスの端から 1.5 \(\times\) IQR (IQR = Q3–Q1) を超えずに伸びており、その間隔内の最も遠いデータ ポイントで終わります。 外れ値は点としてプロットされます。

図 5 は、時間ベースの社員食堂のカバー数の予測モデルのコンポーネントを示しています。 最適なパラメータのセットは次のとおりであることが判明しました: マカオの祝日を含む平坦な傾向 (つまり、従業員数の増加も減少もありません)、フーリエ次数 5 の乗算週次傾向、およびフーリエ次数 15 の乗算日次傾向これらの設定は、平均絶対誤差 18 カウントのテスト データで最高の予測パフォーマンスを生み出すことがわかりました。これは、所定の時間における平均して、ダイニング カバーの数の予測カウントと実際のカウントの差が 18 人、約 18 人であることを意味します。 1 時間当たりの平均カバー数は 125 件です (図 5a を参照)。

Prophet モデルのコンポーネントは、時間の経過とともに社員食堂のダイニング カバーに使用されていました。 パネルは上から下に次のとおりです。(a) 傾向 (このモデルでは横ばい) は予測の基準値 (1 時間あたりのカバー数の単位) を示します。(b) 基準値を下げるように作用する祝日の影響(c) および (d) 週次および日次の季節性。予測の最終推定値に追加するために必要な基準値のパーセンテージを示します。

図 6 は、2022 年 4 月の 1 か月間にわたる未確認のテスト データに適用されたモデルを示しています (わかりやすくするために半月のみを示しています)。 水色の不確実性区間が 90% の予測 (青い線) は、このテスト期間における社員食堂のカバーの週次および日次パターンをよく捉えています。 祝日を含まないモデルや線形の区分的傾向を使用するモデルの他のバリエーションでは、視覚的には昼休みの最高ピークによりよく適合するにもかかわらず、平均絶対誤差が大きくなりました。

2022 年 4 月 1 日から 4 月 17 日までの期間 (両端を含む) の時間ベースのカバー数の予測。 青い線は予測値を表し、水色の陰影はカウントの 90% の不確実性区間を表し、赤い点は特定の時間におけるダイニング カバーの実際の数を表します。

カバーの数が比較的正確に予測されるため、特定の時点でのスタッフの栄養ニーズもモデル化されました。 図 7 は、特定の時間におけるスタッフの数に基づいた栄養モデルを示しています。 「上流の最適化: 栄養需要の予測」で説明されているように、スタッフの平均的な栄養ニーズを満たすために必要なマクロの推奨量が示されます。 約 3,000 人のスタッフ メンバーが曜日ごとに必要とする主要栄養素の 1 日あたりの量は、1 人当たりの典型的な 2,000 kcal の食事に基づいて、次の範囲になると予測されました。

炭水化物：245～280kg

脂肪: 71 ～ 75 kg

タンパク質：98～112kg

これらの主要栄養素の予測値を、典型的な日に提供される実際の量と比較すると、供給過剰の兆候があることが判明しました。 炭水化物、脂肪、タンパク質の供給量は、それぞれ平均予測値の 123%、207%、233% でした。 この主要栄養素の分析にはメイン料理のみが含まれており、スープ、ソース、新鮮なサラダなどの料理は主要栄養素の量が無視できるため計算から除外されていることに注意してください。 ただし、図 8 に示すように、これらのタイプの料理については、栄養と二酸化炭素排出量の両方の値が計算されました。これらの除外は、純粋に、必要な最低限の主要栄養素のベースラインを取得することに基づいていました。 これらの結果は、典型的な日に必要な脂肪とタンパク質の平均量の 2 倍以上が存在するため、1 日当たりの提供されない食品廃棄物の中央値 30 kg が大幅に削減できる可能性があることを示唆しています。

記録されたダイニングカバーの数に基づいた、2022 年 4 月 1 日から 4 月 17 日までの期間 (両端を含む) の時間ベースの主要栄養素の予測。 各ポイントは、その時間におけるスタッフの基本的な栄養ニーズを満たすために必要な特定の主要栄養素の典型的な量 (kg) を表します。

図 8 は、404 個のディッシュの二酸化炭素排出量をディッシュのタイプごとにグループ化したサンバースト プロットを示しています。 ブラウザ 35 で表示すると、チャートはインタラクティブになり、さまざまな料理の種類を展開して各料理を栄養価とともに表示できます。 セクターの規模は、そのセクターの二酸化炭素排出量の合計に比例します。 各部門の色はその部門の平均二酸化炭素排出量によって決まり、そのスキームは「中流教育: 食品の炭素と栄養のラベル表示」で説明されているスウェーデン・ミート・ガイドの信号システムに従っています。 図 9 に見られるように、真っ赤なセクションから、牛肉料理が主にライフサイクルの農業段階での GHG 排出量が多いため、二酸化炭素排出量が最も高いことがすぐにわかります。

404 皿の二酸化炭素排出量 (kg CO2eq/kg) を皿の種類ごとにグループ化して示すサンバースト プロット。 料理タイプは 13 種類あり、括弧内に料理数が示されています: 牛肉 (28)、豚肉 (50)、鶏肉 (43)、魚介類 (62)、スープ (62)、米と麺類 (34)、卵と豆 ( 26）、ソース（14）、野菜（31）、おかゆ（25）、甘いスープ（22）、デザート（4）、果物（3）。 セクター サイズが非常に小さいため、果物のテキスト ラベルは表示されません。 各セクターの色は、そのセクターの皿 1 kg あたりの平均二酸化炭素排出量 (kgCO2e) を反映しています。

さまざまな食品タイプの温室効果ガス排出量の完全なライフサイクル評価：農業、後処理（収穫後の取り扱いと保管、加工と包装を含む）、消費、目的地（廃棄物処理など）。

各料理の炭素ラベルをさまざまな主要栄養素の値とさらに相関させて、環境 (GHG) 目標と個人の健康 (栄養) 目標を結び付けることができます。 食事の環境への影響と栄養を結び付けるために、同様の研究が学校の食堂でも行われています（例：Volanti et al.36）。 中流教育の目標は、食品の選択と食品消費行動が気候と健康に重大な影響を与える可能性についての意識を高めることでした37,38。

炭素と栄養のラベリング作業に基づいて、スピンオフの炭素と栄養追跡 Web サイト (ourfood39 と呼ばれる) が社員食堂で提供される食事専用に特別に構築されました。この Web サイトの目的は、社員が追跡できるようにすることでした。食品の選択に基づいて、自分自身の二酸化炭素排出量と栄養を経時的に把握できます。また、傾向を比較することでスタッフ間の交流が促進され、食品、気候、栄養に関する健全な議論が促進されます。ユーザーは独自の炭素と栄養の予算を設定できます。 /targets はニーズに応じて、デフォルト値は文献に基づいた推奨値に設定されます。スタッフの年間食料二酸化炭素排出量を相殺するために必要な木の数も、木の平均年間 CO2 相殺率に基づいて表示されます40。情報を活用すれば、同社は寄付金の一部を植樹活動の資金に充て、年間を通じて提供される食品からのライフサイクル炭素排出量を相殺し、社員食堂の二酸化炭素排出量を削減できる可能性がある。

図 10 は、個々のプレート廃棄物の画像と重量を自動的に取得するために社内で開発されたプレート廃棄物トラッカーのプロトタイプを示しています。 これは、計画されている社員食堂の改修とシームレスに統合するように設計されており、スタッフは汚れたトレイ返却コンベア システムに皿を載せる前に、自分で皿の廃棄物を処分する必要があります (その間、データはトラッカーによって収集されます)。

一体型プレート廃棄トラッカーのプロトタイプ。 これは、廃版の重量を測定する底部のロードセルと、廃棄前に廃版の画像を撮影する上部のカメラで構成されており、どちらも Python プログラムを実行する「Raspberry Pi」によって制御されます。

プレート廃棄物トラッカーのコンピューター ビジョン コンポーネントに関して、表 1 は、リンゴ、リンゴの芯、リンゴの皮、骨、ボーンフィッシュ、パン、パン、エッグハード、エッグスクランブル、卵の殻、卵スチーム、卵黄、魚、肉、ムール貝、ムール貝の殻、麺、オレンジ、オレンジピール、その他の廃棄物、パンケーキ、パスタ、梨、梨の芯、梨の皮、ジャガイモ、米、エビ、エビの殻、豆腐、トマト、野菜。 当然のことながら、大規模モデルが最も優れたパフォーマンスを示し、[email protected] が 0.681、[email protected]:0.95 が 0.439 でした。 ただし、大規模モデルの推論速度は小規模モデルに比べて約 3 倍遅くなりました。 データセット全体には、合計 2716 枚の画像 (そのうちの 10% が検証に使用) と、10,531 個のオブジェクト インスタンス (つまり、ラベル付き境界ボックス) が含まれていました。 比較として、元の YOLOv5 モデルは Common Objects in Context (COCO) データセット 41 でトレーニングされました。このデータセットには、33 万枚の画像と 150 万を超えるオブジェクト インスタンスを含む 80 のクラスが含まれていました。 この COCO データセットの大規模モデルでは、[email protected] が 0.711、[email protected]:0.95 が 0.534 を達成しました。

COCO と比較してパフォーマンスが低い理由としては、インスタンス数が 100 未満で過小評価されているクラスが 15 個あることが考えられます。 これらのクラスは、最高量の「バックグラウンド FN」に寄与しました (つまり、再現率が低くなります。式 (4) を参照)。 一方、骨、野菜、卵の殻、オレンジ、オレンジの皮、リンゴの皮などの過剰代表クラスは、最高量の「バックグラウンド FP」に寄与しました (つまり、精度が低くなります。式 (3) を参照)。

図 11 は、トラッカーによって収集されたプレート廃棄物画像の未確認のテスト例に対する YOLOv5m モデル予測の例を示しています。 かさばる食品の場合、モデルは正しいクラスと境界ボックスの位置を非常にうまくキャプチャしていることがわかります。 統合されたカムウェイト システム アルゴリズムは、使用されるさまざまな種類の皿、カトラリー、カップ、ボウルに関係なく、個々のトレイの廃棄重量を測定できます。 中心的なアイデアは、システムがコンテナと廃棄物の両方を含むトレイの初期重量を取得するということです。 空にした後、トレイと空の容器の最終重量が得られます。 したがって、廃棄物の重量は、初期重量値と最終重量値の差から推測できます。

図 10 のプレート廃棄物トラッカーによってキャプチャされた目に見えないテストプレート廃棄物画像に対する YOLOv5m モデルによるプレート廃棄物検出の例。

累積合計ではなくプレート廃棄物重量を個別に追跡することの主な利点は、単一の廃棄物合計値よりもはるかに洞察力に優れたさまざまな記述統計の計算が容易になることです。 図 12 は、社員食堂で廃棄されたプレート廃棄物の 36 個のサンプルからの重量曲線のエポック分析を示しています。 重量曲線の終端にある一般的なスパイクの特徴は、食品トレイ全体をプラットフォームから取り外す前にボウルまたはプレートをトレイに戻すことを表します。 表 2 は、プレート廃棄物サンプルの概要統計を示しています。 平均すると、最初の食品トレイの重量の約 20% が皿くずで構成されていましたが、個々のサンプル間には大きなばらつきがあり、50 ～ 552 g の範囲であり、ダイニング カバーあたりの平均重量は 253 g でした。 参考までに、IFWC はダイニングカバー 1 枚あたり平均 115 g の食品廃棄物を報告しました6。 この大きな差異の原因として考えられるのは、アジア料理とヨーロッパ料理では皿の廃棄物の種類が大きく異なるためであると考えられます。 皿くずは分別されていないため、重量には骨、皮、その他の食べられない部分の重量が含まれます。 皿廃棄追跡装置のコンピュータ ビジョン コンポーネントは、食用食品が廃棄されたかどうかを検出することで、この問題を部分的に解決しようとしました。

プレート廃棄物処理からの 36 の重量曲線の重ね合わせたエポック分析。 X 軸は正規化された時間を表し、0 は食品トレイを重量計に最初に配置したとき、1 はトレイを取り外したときです。 y 軸は正規化された重量を表し、1 は特定のサンプルの重量曲線全体の 90 番目の分位値です。

ケーススタディで調査された脱炭素化の 3 つの流れと 3 つの介入のそれぞれについて得られた主な結果の概要を表 3 に示します。

この研究は、上流の最適化フェーズにおいて、マクロ栄養モデルと組み合わせたダイニングカバーの予測数に基づいて、シェフが食事の準備を最適化できる可能性を示しました。つまり、必要なときに必要なものだけを準備して調理することができます。時間調理法）。 それにもかかわらず、ロジスティック上の理由や予測モデルのエラーにより、過剰に準備することが避けられない場合があります。 提供されていない食品を社内の人々に提供するために使用できない場合（物流や資源の問題など）、外部の非営利団体に寄付する、動物の飼料に送る、新しい植物用の堆肥を製造する嫌気性堆肥に送るなどの代替オプションがあります。嫌気性消化によりエネルギー用のバイオガスが生成され、最終的には埋め立て地または焼却場のゴミ箱に送られます。

提供されていない食品は他の人に食べさせるのにまったく問題ないことを考えると、食品の寄付を検討する最初のステップとなるべきです。 しかし、シェフは多くの場合、何千人もの食事を準備するのに非常に忙しいです。 食品廃棄物を削減する共同の取り組みへの参加を促進するには、参入障壁を最小限に抑える必要があります。 提供されなかった食品をゴミ箱に直接廃棄するよりも簡単に寄付できるようなインフラが必要です。 たとえば、非営利財団「Chefs to End Hunger42」は、さまざまな非営利団体に再分配するために定期的にスケジュールされた商品配達に合わせて毎日顧客から余剰食品の箱を受け取り、余剰食品の回収を簡素化しています。

この研究の中流の教育段階では、食事が健康と環境に与える影響についてより適切に知らせることで、ダイナーがトレイをより適切に満たせるようにするための、インタラクティブな炭素と栄養追跡アプリが開発されました。

栄養表示では、各主要栄養素は別個の量として扱われました。 ただし、さまざまなマクロ栄養素と微量栄養素を組み合わせて、栄養のさまざまな要素を捉える料理の単一の栄養素密度指数を作成することもできます38。 ただし、これには各成分の微量栄養素の量が必要であり、この研究の範囲を超えていました。

炭素ラベルの場合、皿の二酸化炭素排出量は食品の環境への影響を示す 1 つの指標にすぎません。 ウォーターフットプリント（つまり、使用される水の量）とエコロジカルフットプリント（つまり、使用される生物学的生産地域の量）も、地球上の食料の影響を測定する重要な環境指標です。 先進国では、加工食品、肉、乳製品が豊富な食生活は、地元の植物ベースの食事を摂取する発展途上国よりも気候に大きな影響を与える可能性があります。 最近の研究では、（3 つの環境指標に基づいて）ブラジル人の食事による環境への影響が増大している一方、超加工食品の量も増加していることが示されています43。 栄養価を損なうことなく、消費パターンを GHG 集約型食品の豊富な食事から移行する必要があります 44。 これは、食事の選択が環境に重大な影響を与えるという事実を繰り返し示しています。 炭素や栄養表示などの教育を通じて、健康と環境のためにより良い食品の選択をするよう人々に知らせます。

プレート廃棄トラッカーに関しては、よりユーザーフレンドリーなエクスペリエンスを実現するためにいくつかの改善が実装される可能性があります。 たとえば、白色 LED は、ユーザーが廃棄物の処理を開始する前に、プレート廃棄物の画像がいつ取得されたかを示すことができます。 視覚的なガイドや標識も役に立つかもしれません。 現在のロギング アルゴリズムの制限は、トレイの重量がアルゴリズムのトリガーとして機能するため、ユーザーが廃棄物を処理するためにプラットフォームからトレイを取り外すことができないことです。 トレイが取り外されると、ユーザーは廃棄物の処理を完了したものとみなされ、そのユーザーのロギング サイクルが終了します。 解決策として考えられるのは、別の食器を導入することです。たとえば、トレイの側面に沿って成形され、後で簡単に廃棄できるように非食用固形物専用の洗いやすいシリコン容器を導入することです。 これにより、他の食べられない部分によって隠されなくなるため、コンピュータビジョンシステムによる食用食品の検出も容易になる可能性があります。 コンピューター ビジョン機能については、過小評価されているクラスを削除することで、さまざまなバージョンのモデルをトレーニングできます。 これにより、十分なインスタンスを持つすべてのクラスの再現率スコアが向上するため、mAP スコアが向上すると予想されます。

さらに、心理学の観点から、この研究の中流の教育と下流の認識の側面は、ナッジとして枠組み化される可能性があります。 これらのツールからさまざまな種類のナッジ要素を作成し、スタッフの行動や意思決定に影響を与える方法として、積極的な強化や間接的な提案を提供できます。 心理学では、セイラーが書いた独創的な本は、人間の脳は 2 つのモードで意思決定を行うと提案しています。1 つは直観的かつ自動であるため、迅速かつほとんど努力が必要ありません。もう 1 つは思慮深く合理的であるため、高い集中力と努力を必要とします。実行45。 最近では、カーネマンはこれら 2 つのモードをそれぞれシステム 1 思考とシステム 2 思考と名付けました46。 システム 1 (自動) ナッジは行動に直接影響を与えますが、システム 2 (反射的) ナッジは選択に直接影響します47。

食品の炭素および栄養表示に関連して、スタッフが健康と環境に利益をもたらす、より多くの情報に基づいた食品の選択を行うために必要な情報を提供します。 最終的には、これがどの食品を食べるかを決定する際の意思決定プロセスの一部となる可能性があり、社外での購買行動や食品消費行動にも影響を与える可能性があります。 版廃棄トラッカーのコンテキストでは、一連の LED および/またはサウンドが版廃棄検出の結果に基づいてトリガーされる可能性があります。 たとえば、検出された食用食品の数が特定のしきい値を超えると、赤色 LED が急速に点滅します (ビープ音が速く繰り返されます)。 それ以外の場合は、緑色の LED が点灯し、単純な効果音が鳴ります。 赤色の LED の点滅と速いビープ音は、不快な刺激 (否定的な罰) であるため、無駄な行動を抑制します。 一方、プレートがきれいになった後の緑色の LED とシンプルな効果音は、ポジティブな強化につながり、スタッフにこの行動を維持するよう促します。 プレート廃棄トラッカーを活用して、社員食堂のモニターにリアルタイムで表示される画像検出と組み合わせて、自動化された方法できれいなプレートの数をライブカウントすることにより、ゲーミフィケーションを導入することができます。 たとえば、目的は、週末までにクリーンなプレートの目標数を達成して、特定の賞品と毎週の抽選のロックを解除することである可能性があります。 スコアの進歩的な性質により、スタッフに強いエンゲージメントが生まれ、同時にコラボレーションの感覚も得られます。 誰もが果たすべき役割を持っており、きれいなプレートの数に貢献します。 このアイデアは、図 13 に示すように、「クリーン プレート チャレンジ」と呼ばれる同社の最近の取り組みの中で実装されました。これにより、スタッフが普段無視されている食品廃棄物の問題にもっと注意を払うように動機付けられる、面白くて魅力的な要素が追加されました。 さらに、このシステムは、わずか 3 時間の導入で 700 枚を超える画像を生成したため、食品廃棄物の画像データを効率的に収集する別の手段を提供しました。 ゲーミフィケーションは、身体活動への参加を促進するなど、他の状況でも使用されています48。 文献レビューによると、ゲーミフィケーションはユーザーのモチベーションとエンゲージメントを高めることができますが、それは問題の状況やそれを使用するユーザーに大きく依存します49。

クリーンプレートチャレンジのリアルタイム表示。 プレートの総数のライブカウント、クリーンなプレートの数 (ターゲットに対するパーセンテージ付き)、および境界ボックスが描画されたトレイの画像が表示されます。

さらなる研究では、マカオの他の統合型リゾートの社員食堂を脱炭素化するための 3 つの経路の有効性を評価する可能性があります。 「ビッグ 6」のゲーム販売委託業者が雇用する従業員を合わせると、2021 年第 4 四半期時点で約 10 万人になります (ギャラクシー、メルコ、MGM、サンズ チャイナ、SJM、ウィンの 2021 年の年次報告書と財務報告書から推定)。 一定期間にわたって収集された重要な統計により、食品廃棄物の量とそれに関連する二酸化炭素排出量を、そのような介入が実施される前のベースラインと比較できるようになります。 さらに、これらの戦略が効果的であることが証明されれば、2020 年から 2021 年度に就学前から高等教育まで合計 133,000 人を超える生徒がいるマカオの教育機関全体で実施できる可能性があります50。そのうち約 31% が高等教育を受けており、 69% は高等教育以外の教育を受けており、その多くはケータリング サービスを提供しています。 これらの大企業や機関が脱炭素戦略を導入することは、マカオの中小企業の基準を設けることになるだろう。 その過程で他の脱炭素化イノベーションが生まれる可能性があり、それは環境に責任のあるビジネスの新たな波を推進する正しい方向への一歩となるでしょう。

データ作業の多くは、物語を伝えるために行われます。 完璧に美味しい食べ物がゴミ箱に捨てられている何千枚もの画像を見ると、それが非常に現実的に感じられます。 結局のところ、これは人間の問題であり、データが食品廃棄問題の巨大さに対する人々の見方を変えるのに役立つのであれば、誰もが行動し、より野心的な目標を達成するよう動機づけられるでしょう。 これは社会規範に基づくナッジ (規範ナッジ) と見なすことができ、説得力のある行動介入となる可能性があります。 食品システムのトレーサビリティを向上させる最先端のテクノロジーは、食品廃棄物を削減するためのアプローチの 1 つですが、人間を中心とした基本的な戦略を忘れてはなりません。 総合的なアプローチとは、この複雑なシステムのあらゆる側面に取り組むアプローチであるため、食品廃棄問題を解決するには、どの部分も単独では十分ではありません。

食品廃棄物は環境、社会、経済に影響を与えます。 最終的に廃棄物となる食品には、食用食品には金銭的価値があるため、経済的損失は言うまでもなく、その転用と廃棄を管理するためのリソースが必要です。 したがって、食品廃棄物の削減は、経済的な節約に直接つながります。 食品廃棄物を減らすために必要な研究と介入は、そもそも経済的な負担となる可能性があります。 しかし、長期的には、食品廃棄物の削減に成功すれば、組織に金銭的利益がもたらされる可能性が高くなります。 さらに重要なことは、食品廃棄物を削減することは企業の社会的責任とみなされるべきです。 マカオの 6 つの大手ゲーミングコンセッション会社の 1 つとして、中国の国家二重脱炭素目標 51 を支援し、事業運営に環境、社会、ガバナンス (ESG) 原則を総合的に統合する役割を果たすことがますます重要になっています。社内外の利害関係者からの圧力。

この研究では、食品廃棄物からのライフサイクル GHG 排出量を削減するための実際のケーススタディとして、マカオの統合型リゾートの従業員食堂に 3 つの脱炭素化経路を導入しました。

上流の最適化は、主要栄養素モデルと組み合わせた、特定の時点で予想されるダイニングカバーの数の需要予測モデルに基づいて食品供給を最適化するために使用されました。 この戦略は、食品の供給が需要に見合った即応性のあるシステムを構築することにより、提供されない食品廃棄物の削減に役立つことが期待されています。

中流教育は、社員食堂で提供されるすべての料理に炭素と主要栄養素のラベルを付けることで、食品の選択とそれが気候や健康に与える影響についての意識を高めるために利用されました。 この介入により、人々を低炭素でより健康的な食品の選択に誘導することを目的としたシステム 2 (反射的) ナッジが促進されました。

下流認識は、最先端のコンピュータービジョンモデルを使用してリアルタイムで皿の無駄を検出し、ディスプレイを介してユーザーにフィードバックしてエンゲージメントを高めることで、食用食品の無駄を削減するために使用されました。 この介入により、ユーザーに食用食品廃棄物の削減を奨励することを目的としたシステム 1 (自動) ナッジが促進されました。

すべてのデータは、さまざまなチームの協力を得て、ウィン マカオの施設から収集されました。 現在の研究中に作成および分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

FAO。 食品廃棄のフットプリント — 天然資源への影響 (2013)。 https://www.fao.org/3/i3347e/i3347e.pdf。 2022 年 5 月 35 日にアクセス。

FAO。 食品廃棄の足跡と気候変動 (2015)。 https://www.fao.org/3/bb144e/bb144e.pdf。 2022 年 5 月 5 日にアクセス。

国連。 世界人口 (2022 年)。 https://www.un.org/en/desa/world-population-projected-reach-98-billion-2050-and-112-billion-2100。 2022 年 5 月 5 日にアクセス。

FAO。 世界の食糧不安の状況 (2014 年)。 https://www.fao.org/3/i4030e/i4030e.pdf。 2022 年 5 月 31 日にアクセス。

国連開発計画。 持続可能な開発目標 (2022 年)。 https://www.undp.org/sustainable-development-goals。 2022 年 5 月 4 日にアクセス。

IFWC。 ホスピタリティおよびフードサービス部門における食品廃棄物の測定と報告 (2022 年)。 https://ec.europa.eu/food/safety/food_waste/eu-food-loss-waste-prevention-hub/resource/show/2076。 2022 年 5 月 4 日にアクセス。

全国人民代表大会。 食品廃棄物に関する中華人民共和国の法律 (2021 年)。 http://www.npc.gov.cn/englishnpc/c23934/202112/f4b687aa91b0432baa4b6bdee8aa1418.shtml。 2022 年 5 月 5 日にアクセス。

国連環境計画。 食品ロスと廃棄物の定義 (2021)。 https://www.unep.org/thinkeatsave/about/definition-food-loss-and-waste。 2022 年 5 月 4 日にアクセス。

FAO。 食品ロスと食品廃棄物（2020）。 https://www.fao.org/food-loss-and-food-waste/flw-data)。 2022 年 5 月 4 日にアクセス。

Chapagain, A. & James, K. 英国における家庭の食品と飲料の廃棄物による水と二酸化炭素の排出量 (2011)。 https://wrap.org.uk/sites/default/files/2020-12/The-water-and-carbon-footprint-of-household-food-and- Drink-waste-in-the-UK.pdf。 2022 年 5 月 26 日にアクセス。

リード、QD、ホンジュラ、KL、ムス、MK 農場から食卓までの食料システムの持続可能性活動による生物多様性への影響。 手順国立アカド。 Sci.https://doi.org/10.1073/pnas.2113884119 (2022)。

記事 Google Scholar

Mukherjee, A. 消費者側での食品廃棄の経済学。 上級フードテクノロジー。 ニュートル。 科学。 J. 2, 110-112 を開いてください。 https://doi.org/10.17140/aftnsoj-2-137 (2016)。

記事 Google Scholar

アラスカ州ミスラ 気候変動と水と食料の安全保障の課題。 内部。 J.サステイン。 環境を構築しました。 3、153–165。 https://doi.org/10.1016/j.ijsbe.2014.04.006 (2014)。

記事 Google Scholar

ワッツ、N. et al. 健康と気候変動: 公衆衛生を保護するための政策対応。 ランセット 386、1861 ～ 1914 年。 https://doi.org/10.1016/s0140-6736(15)60854-6 (2015)。

記事 MathSciNet Google Scholar

アオン。 天気、気候、大災害に関する洞察 (2020)。 http://thoughtleadership.aon.com/Documents/20210125-if-annual-cat-report.pdf。 2022 年 5 月 30 日にアクセス。

ヤン、Ｊ．ら。 台風ハト（2017年）と台風マンクット（2018年）の比較研究 - マカオの海岸浸水への影響。 Ｊ．Ｇｅｏｐｈｙｓ． 解像度オーシャンズ 124、9590–9619。 https://doi.org/10.1029/2019jc015249 (2019)。

記事 ADS Google Scholar

マサチューセッツ州クラークら。 世界の食料システムからの排出量は、\(1.5^{\circ }\) および \(2^{\circ }\text{ c }\) の気候変動目標の達成を妨げる可能性があります。 サイエンス 370、705–708。 https://doi.org/10.1126/science.aba7357 (2020)。

記事 ADS CAS Google Scholar

Poore, J. & Nemecek, T. 生産者と消費者を通じて食品の環境への影響を削減する。 サイエンス 360、987–992。 https://doi.org/10.1126/science.aaq0216 (2018)。

記事 ADS CAS Google Scholar

砂漠化と闘うための国連条約。 世界の土地の展望 (UNCCD、ボン、2022 年)、第 2 版。 2022 年 5 月 26 日にアクセス。

フェイスブック。 大規模な予測。 （2017年）。 https://facebook.github.io/prophet/。 2022 年 5 月 1 日にアクセス。

FDA。 栄養成分表示の理解と使用方法 (2022)。 https://www.fda.gov/food/new-nutrition-facts-label/how- Understand-and-use-nutrition-facts-label。 2022 年 5 月 26 日にアクセス。

Zhang、R.ら。 中国と地中海、日本とアメリカの食事の栄養素摂取量の違い。 栄養素 7、4661 ～ 4688。 https://doi.org/10.3390/nu7064661 (2015)。

記事 CAS Google Scholar

Kallmyer、T. マクロ計算機 (2022)。 https://healthyeater.com/flexible-dieting-calculator。 2022 年 5 月 30 日にアクセス。

グローバルニュース。 これは、朝食、昼食、夕食の実際のカロリーです (2017 年)。 https://globalnews.ca/news/3615212/this-is-what-your-breakfast-lunch-and-dinner-kcals-actually-look-like/。 2022 年 5 月 5 日にアクセス。

ヴァーミューレン、SJ、キャンベル、BM & イングラム、JS 気候変動と食糧システム。 アンヌ。 Ｒｅｖ．Ｅｎｖｉｒｏｎ． リソース。 37、195–222。 https://doi.org/10.1146/annurev-environ-020411-130608 (2012)。

記事 Google Scholar

Zhang、D.ら。 ケータリング業界の食品廃棄物の二酸化炭素排出量: 北京の事例研究。 アクタエコール。 罪。 36、25。https://doi.org/10.5846/stxb201504150769 (2016)。

記事 Google Scholar

IPCC。 AR6 気候変動 2021: 物理科学の基礎 - 第 7 章: 地球の 2 つのエネルギー収支、気候フィードバック、および気候感度 - 補足資料 (2021)。 https://lib.icimod.org/record/35293。 2022 年 5 月 5 日にアクセス。

Röös, E.、Ekelund, L. & Tjärnemo, H. 食肉生産の環境への影響の伝達: スウェーデンの食肉ガイド開発における課題。 J. クリーン。 製品。 73、154–164。 https://doi.org/10.1016/j.jclepro.2013.10.037 (2014)。

記事 Google Scholar

The, M. 個人の CO2E 予算は \(2^\circ \text{ C }\) (2021 年) 未満に抑える必要があります。 https://livelca.com/blogs/75a697d4-fe34-4977-ae2f-b472f1ee02da。 2022 年 5 月 4 日にアクセス。

Jocher, G. et al. Ultralytics/yolov5: v6.0 - yolov5n 'nano' モデル、roboflow 統合、tensorflow エクスポート、opencv dnn サポート。 https://doi.org/10.5281/ZENODO.5563715 (2021)。

ディープラーニング.ai。 生産のための機械学習エンジニアリング (mlops) の専門分野 (2021)。 https://www.deeplearning.ai/program/machine-learning-engineering-for-production-mlops/。 2022 年 5 月 1 日にアクセス。

Goncharov、I. オープンラベルを変更しました。 https://github.com/ivangrov/ModifiedOpenLabelling (2021)。

ロボフロー。 画像やビデオ内のオブジェクトを表示する機能をソフトウェアに提供します (2020)。 https://roboflow.com/。 2022 年 5 月 1 日にアクセス。

チェン、アイキット。 プレート廃棄物の検出 (2022)。 https://foodwasteYOLOv5.herokuapp.com。 2022 年 6 月 31 日にアクセス。

チェン、アイキット。 炭素と栄養のラベルが付いた料理のサンバースト プロット (2022 年)。 https://ikitcheng.github.io/visualizations/。 2022 年 6 月 21 日にアクセス。

Volanti, M. et al. 食事の環境への影響: 学校の食堂での二酸化炭素排出量はどれくらいですか? 食品https://doi.org/10.3390/foods11020193 (2022)。

記事 Google Scholar

Clark, MA、Springmann, M.、Hill, J. & Tilman, D. 食品が健康と環境に与える複数の影響。 手順国立アカド。 科学。 116、23357–23362。 https://doi.org/10.1073/pnas.1906908116 (2019)。

記事 ADS CAS Google Scholar

Strid, A. et al. 気候と健康に利益をもたらす食品の持続可能性指標。 サステナビリティ 13、3621。https://doi.org/10.3390/su13073621 (2021)。

記事 CAS Google Scholar

チェン、アイキット。 私たちの食べ物、私たちの気候、私たちの健康 (2022) https://share.streamlit.io/ikitcheng/ourfood/app.py。 2022 年 6 月 21 日にアクセス。

エンコン。 樹木によるco2オフセットの計算（2021年）。 https://www.encon.be/en/calculation-co2-offsetting-trees。 2022 年 5 月 4 日にアクセス。

リン、T.Y. 他。 Microsoft coco: コンテキスト内の共通オブジェクト。 https://doi.org/10.48550/ARXIV.1405.0312 (2014)。

飢餓をなくすためのシェフたち。 私たちの使命（2021）。 https://www.chefsendhunger.org/our-mission。 2022 年 6 月 21 日にアクセス。

ダ・シルバ、JT 他ブラジル都市圏における加工度別の温室効果ガス排出量、水フットプリント、食料購入のエコロジカル・フットプリント: 1987 年から 2018 年までの時系列研究。Lancet Planetary Health 5、e775–e785。 https://doi.org/10.1016/s2542-5196(21)00254-0 (2021)。

記事 Google Scholar

Garnett, T. 食品システム (食物連鎖を含む) において温室効果ガス排出量を削減する最適な機会はどこですか? 食糧政策 36、S23 ～ S32。 https://doi.org/10.1016/j.foodpol.2010.10.010 (2011)。

記事 Google Scholar

セイラー、RH およびサンスティーン、CR ナッジ (エール大学出版局、2008 年)。

Google スカラー

カーネマン、D. 思考、高速と低速 (Farrar (Straus & Giroux、2013))。

Google スカラー

Klieber, K.、Luger-Bazinger, C. & Hornung-Prähauser, V. 持続可能な行動を促す: スマートシティのイノベーションのためのデータベースのナッジ。 ISPIM イノベーション カンファレンスにて (ISBN 978-952-335-466-1、2020)。

Xu、L.ら。 mHealth ベースのゲーミフィケーション介入が身体活動への参加に及ぼす影響: 系統的レビュー。 JMIR Mhealth Uhealth 10、e27794。 https://doi.org/10.2196/27794 (2022)。

記事 Google Scholar

Hamari, J.、Koivisto, J. & Sarsa, H. ゲーミフィケーションは機能しますか?—ゲーミフィケーションに関する実証研究の文献レビュー。 2014 年、第 47 回ハワイ国際システム科学会議。 https://doi.org/10.1109/hicss.2014.377 (IEEE、2014)。

マカオ特別行政区政府情報局。 教育年鑑 2020-2021 (2020)。 https://yearbook.gcs.gov.mo/uploads/yearbook_pdf/2021/myb2021cPA01CH15.pdf。 2022 年 6 月 14 日にアクセス。

国連。 中国は2060年までにカーボンニュートラルを目指す。 習近平国家主席は海外の新規石炭火力発電所を2021年に停止すると誓約。 https://news.un.org/ja/story/2021/09/1100642。 2022 年 5 月 27 日にアクセス。

リファレンスをダウンロードする

IK.C. は、STFC UCL Center for Doctoral Training in Data Intensive Science (助成金番号 ST/P006736/1) およびウィン マカオ インターンシップ プログラムによってサポートされています。 著者らは、研究を大いに支援するサポート、洞察、専門知識を提供してくれた施設、食品および飲料、持続可能性チームの同僚に感謝したいと思います。 PyTorch、PyTorch ロゴ、および関連マークは、The Linux Foundation の商標です。 FastAPI フレームワークは https://github.com/tiangolo/fastapi にあります。

ユニバーシティ・カレッジ・ロンドン物理学および天文学部、ロンドン、英国

アイ・キット・チェン

環境管理評価研究所 (IEMA)、マーチ、ケンブリッジシャー、英国

キン・K・レオン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

IK.C. コードを書き、結果を分析し、主要な原稿を書きました。 KKL は主要な原稿を書き、さまざまな実験を指揮しました。 著者全員が原稿をレビューしました。

アイ・キット・チェンへの対応。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Cheng, IK、Leong, KK ホスピタリティおよびフードサービス部門における食品廃棄物からのライフサイクル GHG 排出量を削減するためのデータ主導型脱炭素化経路。 Sci Rep 13、418 (2023)。 https://doi.org/10.1038/s41598-022-27053-6

引用をダウンロード

受信日: 2022 年 6 月 17 日

受理日: 2022 年 12 月 23 日

公開日: 2023 年 1 月 9 日

DOI: https://doi.org/10.1038/s41598-022-27053-6

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。