《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Digitalization Pathways for Food Loss and Waste Prevention in Agri-Food Supply Chains: Current Evidence, Challenges and Future Directions
背景
食物损耗与浪费（Food Loss and Waste, FLW）仍然是全球农业食品系统面临的重大挑战，产生了巨大的环境、经济和社会影响。数字化已成为提高资源效率和支撑FLW预防的一项有前景的战略，然而不同数字技术的有效性仍参差不齐，且往往缺乏充分评估。
范围与方法
本批判性综述考察了工业4.0（Industry 4.0）和农业4.0（Agriculture 4.0）技术（包括物联网（Internet of Things, IoT）、人工智能（artificial intelligence, AI）、大数据分析、区块链以及面向消费者的数字平台）对贯穿整个农业食品供应链的FLW预防的贡献。本综述并非对技术应用进行简单罗列，而是批判性地区分了已被证实的FLW减少与经常被假定可转化为废弃物预防的技术性能提升，同时评估了技术成熟度、实施障碍和未来研究重点。
主要发现与结论
IoT赋能的监测和智能物流为降低腐败风险提供了最强有力的直接证据；在AI应用中，库存管理得到了相对较好的支持，尽管更广泛的AI/机器学习（machine learning, ML）证据大多仍基于运营代理指标。区块链应用、动态定价和面向消费者的技术的证据仍然有限或高度依赖具体情境。持续存在的障碍包括碎片化的数据基础设施、互操作性约束、不平等的数字能力、不确定的经济回报以及反弹效应。数字技术只有与组织、行为和治理战略相结合，才能对FLW预防做出有意义的贡献。未来研究应优先考虑标准化影响指标、纵向系统级评估，以及能够量化FLW实际减少量及相关可持续性权衡的综合环境评估。
- 1.
引言
食物损耗与浪费（FLW）代表了当代食品系统中普遍存在的低效问题，据估计，全球每年为人类消费而生产的食物中约有三分之一被损耗或浪费。这些损耗发生在从初级生产到加工、分销、零售和消费的各个环节，不同地区和商品类别之间存在差异模式。除可直接食用食物的直接损失外，FLW还伴随着巨大的环境负担，包括可避免的温室气体排放、土地和水资源利用，以及对循环经济目标的破坏。同时，FLW削弱了粮食安全目标以及可持续发展目标（Sustainable Development Goal, SDG）12.3等国际目标的实现，该目标要求将人均食物浪费减半并减少生产和供应链中的损耗。解决这些系统性低效问题需要采取干预措施，不仅要提高资源效率，还要改善日益复杂的农业食品供应链中的协调、透明度和决策能力。遵循联合国粮食及农业组织（FAO）的术语，食物损耗（food loss）指从收获到零售（不含零售）期间食物数量或质量的下降，而食物浪费（food waste）指零售、餐饮服务和消费者阶段发生的下降。在本综述中，预防（prevention）指从源头上避免FLW产生的干预措施；剩余食物再分配和副产物流价值化作为相关的分流或资源回收策略进行讨论，在评估证据强度时不视为直接预防。
FLW的驱动因素是多方面且相互依存的。实证研究强调了易腐产品处理不当、冷链不足、供应链中断、买卖双方协议错位以及下游阶段的行为规范等因素。面向系统的分析强调结构性过度生产、剩余形成以及“剩余到废弃物锁定”如何嵌入现有的市场和治理安排中，使废弃物成为常规实践的结果而非孤立的失败。消费者和零售阶段在高收入环境中尤为重要，但上游也会发生重大损耗，尤其是新鲜农产品和植物性商品。这种复杂性已将关注点从孤立的技术解决方案转向综合性的、系统层面的方法，将技术、组织和政策干预相结合，以应对FLW的多重驱动因素。
与此同时，在农业4.0和工业4.0范式下，快速数字化已改变了农业食品供应链。物联网（IoT）设备、实时传感器网络和数据平台能够持续监测质量参数和物流条件，支持腐败风险和运营瓶颈的早期检测。先进分析和人工智能（AI）越来越多地应用于改善需求预测、库存管理和物流优化，从而解决结构性过度生产和供需错配的系统性驱动因素。区块链和其他追溯系统有望提高供应链参与者之间的透明度和协调性，而数字平台和面向消费者的应用则促进了剩余食物再分配、动态定价以及家庭和餐饮服务层面的行为导向干预。总的来说，这些技术有潜力将食品供应链从被动系统（损耗仅在发生后被发现）转变为能够预测质量恶化、优化资源配置并支持更明智运营决策的预测性系统。
尽管人们对数字化转型的兴趣日益浓厚，但数字化与FLW预防之间的关系远非直截了当。系统性综述表明，FLW减少很少成为采用数字技术的主要动机，这些技术更多以生产力提升、运营效率或成本降低为理由。此外，现有证据在技术类型和供应链阶段之间仍然分散，上游和下游视角的整合有限。许多已发表的研究是概念性的、试点规模的或特定情境的，仅对技术有效性、经济可行性、数字鸿沟、组织准备度和意外后果提供部分洞察。重要的是，预测准确性、追溯性或运营绩效的改进经常被解释为FLW预防的证据，尽管直接量化食物损耗或浪费减少的研究数量有限。还缺乏将数字技术与治理安排、协作实践和组织能力联系起来的整合框架，而这些是将技术创新转化为可衡量和可扩展的FLW预防所必需的。
针对这些局限，本综述对贯穿整个农业食品供应链的FLW预防数字技术进行了批判性综合。与以往主要关注单一技术或特定供应链阶段的综述不同，本综述批判性地审视了现有证据的强度，区分了已被证实的FLW减少与推断的技术效益，并评估了成功实施所需的组织和治理条件。范围涵盖工业4.0和农业4.0技术、基于IoT和传感器的监测、数据分析和AI、基于区块链的追溯，以及在生产、加工、物流、零售和消费者阶段运营的数字平台。具体而言，本综述旨在：(i) 批判性综合应用于FLW预防的主要数字技术，并将其与不同供应链阶段和废弃物驱动因素相关联；(ii) 评估其作用机制、技术成熟度、报告的效益和局限性，尽可能区分已测量的FLW减少与推断或试点规模的证据；(iii) 审视影响采用和有效性的主要跨领域障碍和赋能条件，包括数据互操作性、经济可行性、组织准备度、数字鸿沟、治理和信任；(iv) 识别研究空白和未来优先事项，以支持更稳健、更综合、更基于证据的FLW预防数字战略。
- 2.
方法论
本文作为一篇批判性叙述综述，考察了数字技术在预防和减少农业食品供应链中FLW方面的作用。综述涵盖从生产、采后处理、加工、物流、零售、餐饮服务到消费者阶段的证据，特别强调工业4.0和农业4.0技术，包括基于IoT的监测系统、大数据分析、AI、区块链、数字追溯解决方案和面向消费者的平台。
文献识别是迭代和有目的性的，而非基于预先注册的系统综述方案。针对性检索主要在Scopus和Web of Science核心合集中进行，特别关注2019年至2026年间发表的文献，同时保留早期提供重要概念或实证证据的相关研究。检索在稿件准备期间至2026年上半年进行了更新。检索组合包括与食物损耗和浪费相关的术语（“food loss”、“food waste”、“FLW”、“food waste prevention”和“food loss reduction”），以及描述综述中考虑的主要数字技术的术语（“digitalization”、“digital technologies”、“Industry 4.0”、“Agriculture 4.0”、“Internet of Things”、“IoT”、“artificial intelligence”、“machine learning”、“big data”、“blockchain”、“digital traceability”、“smart logistics”和“digital platforms”）。当研究涉及农业食品供应链中的数字技术并提供FLW结果、相关运营或行为指标、实施条件或采用障碍的证据时予以保留。排除农业食品和FLW背景之外的出版物，并检查相关综述和关键研究的参考文献列表以识别其他相关文献。优先考虑同行评审的综述、实证研究和代表性案例贡献，特别关注报告可测量FLW结果的研究；当概念性和试点规模研究为新兴技术或实施挑战提供相关见解时予以保留。
文献通过比较分析以识别技术路径、成熟度差异、报告结果的一致性和反复出现的实施障碍。特别注意区分直接测量的FLW结果与运营或行为代理指标。直接证据定义为量化食物损耗或浪费本身的研究，例如通过质量、比例、废弃单位或直接观察到的腐败或拒收。间接证据包括预测准确性、库存绩效、温度偏差、追溯绩效、用户意识或陈述意图等指标，但不直接量化FLW。
证据强度定性分类为：当多项实地或商业研究报告直接量化的FLW结果时为高（High）；当存在一些直接证据但文献主要由单点试点、无对照的前后研究、模拟或代理结果主导时为中等（Moderate）；当证据主要由技术可行性、建模、自我报告结果或运营代理指标组成且几乎没有或没有直接FLW量化时为有限（Limited）。技术成熟度分别评估为：在多种情境下常规或商业实施为高（High），高级试点或早期商业采用为中等（Medium），主要为概念验证或试点应用为低（Low）。当证据跨越相邻类别时使用中间标签。这些标准在比较表中一致应用，特指FLW预防的证据，而非底层技术的总体成熟度。由于本叙述综述不基于封闭的系统研究语料库，这些等级代表定性评估，不应解释为频率估计。
鉴于技术、研究设计、食品部门和结果测量的高度异质性，定量综合或荟萃分析被认为不合适。相反，本综述采用批判性解释方法，旨在评估现有证据的强度，比较不同数字方法的成熟度，识别知识空白，并讨论数字化转型在何种条件下能够切实促进可衡量和可扩展的FLW预防。
- 3.
概念框架：食物损耗与浪费预防的数字化路径
用于FLW预防的数字技术是一系列不断发展的工具，具有不同的功能、成熟度水平以及在农业食品供应链中的位置。这些技术并非独立的流程，而是赋能相互关联的过程，包括实时监测、预测、追溯、自动化和决策支持。因此，其对FLW减少的影响不仅应基于单项技术可能性进行评估，还应基于其运作的供应链运营和治理背景进行评估。相应地，该框架将FLW减少视为关注的终点，并将其与可能但不必然导致废弃物预防的中间技术或行为指标区分开来。
所考虑的主要技术组包括IoT/射频识别（RFID）监测、大数据和云基础设施、AI/ML、基于区块链的追溯，以及移动或网络平台。对于FLW预防而言，它们的相关性分别在于状态监测、数据集成、预测与优化、追溯与协调，以及消费者或剩余管理支持，而非技术本身。
FLW在整个供应链中源于不同的驱动因素，需要不同的技术响应。在初级生产阶段，损耗通常与需求不确定性、外观质量标准和天气相关变异性相关。在采后处理和储存阶段，温度和湿度控制不足、基础设施限制和监测不足导致生理退化和微生物腐败。加工操作可能通过低效调度、生产换线和规格外批次产生损耗。分销和零售受预测错误、冷链中断、促销策略和库存失衡的影响，这些因素加速产品恶化或产生过量库存。在消费者和餐饮服务阶段，过度购买、膳食规划不足、日期标签误解和不适当的分量控制仍然是可避免食物浪费的主要贡献因素。
在该框架内，数字技术通过不同但互补的干预路径促进FLW预防。IoT赋能的实时监测在产品质量受损前检测温度、湿度或气体组成偏差，从而在储存、运输和零售期间延长保质期。大数据平台整合库存、销售和情境信息以改进需求预测和库存控制，减少结构性过度生产和过量库存水平。AI和ML算法支持路线优化、动态定价、质量分级和剩余保质期预测，使接近商业寿命终点的产品能够被引导至替代市场而非废弃。基于区块链的追溯系统提高供应链参与者之间的透明度、问责制和协调性，同时促进精准召回，可能防止安全食品的不必要处置。面向消费者的数字平台提供库存管理、购买指导、剩余再分配和行为反馈，能够支持更可持续的家庭和餐饮服务实践。这些路径代表了合理干预机制，而非等效的有效性证据：当研究仅报告监测、预测、追溯或参与结果时，这些被视为中间指标而非已证实的FLW减少。
重要的是，这些数字路径的有效性不仅取决于技术性能本身。其预防FLW的能力受到组织能力、数据质量、互操作性、治理安排和利益相关者协作的强烈影响。实证研究一致将碎片化的数据基础设施、有限的互操作性和小农户及中小企业（SMEs）之间不平等的数字能力确定为端到端可见性和协调决策的主要障碍。此外，许多数字举措优化了局部流程，但未解决在整个供应链中产生剩余食品的结构性市场条件、合同安排或权力不对称。数字化还可能引入与网络安全、数据治理、所有权和信任相关的新挑战，以及供应链参与者之间成本和收益分配的不确定性。因此，数字技术应被视为更广泛社会技术转型的赋能组成部分，而非FLW预防的独立解决方案。
图1总结了数字技术与农业食品供应链中FLW主要驱动因素相互作用的概念路径。实线路径表示综述证据中至少部分由直接测量的FLW结果支持的关联，而虚线路径表示主要由运营或行为代理指标支持的关联。中间指标与直接测量的FLW结果相区分，证据强度因技术和应用而异，如比较表所总结。跨领域条件可能作为赋能因素或限制因素。
表1总结了FLW主要驱动因素与农业食品供应链中最常应用的数字技术之间的概念路径，以及这些技术预期促进FLW预防的主要干预机制。在生产阶段，主要驱动因素包括需求不确定性、外观质量标准和天气变异性，对应技术为基于IoT的传感、大数据分析和AI/ML，主要干预机制为需求预测、收获优化和适应性作物管理，证据路径主要为间接/代理。在采后和储存阶段，驱动因素为温度和湿度控制不足、处理损伤，对应技术为IoT传感器、无线传感器网络和云平台，主要干预机制为实时状态监测、早期预警警报和优化储存条件，证据路径为混合；直接证据相对较强。在加工阶段，驱动因素为低效调度、生产换线和规格外批次，对应技术为AI/ML、大数据分析和IoT赋能的流程监测，主要干预机制为预测性过程控制、质量监测和副产物流价值化（资源回收），证据路径主要为间接/混合。在分销和物流阶段，驱动因素为冷链中断、路线低效和库存失衡，对应技术为IoT、基于AI的优化和数字孪生，主要干预机制为路线优化、剩余保质期管理和物流优化，证据路径为混合；状态监测为直接，优化为间接。在零售阶段，驱动因素为预测错误、促销策略和日期标签管理，对应技术为大数据分析、AI/ML和移动平台，主要干预机制为需求预测、动态定价、降价优化和剩余再分配（分流），证据路径为混合。在消费者和餐饮服务阶段，驱动因素为过度购买、日期标签误解和餐盘浪费，对应技术为移动应用、智能家电、IoT和AI赋能的反馈，主要干预机制为膳食规划、食品库存管理、储存指导、废弃物追踪和行为助推，证据路径主要为间接/行为。
- 4.
农业食品供应链中FLW预防的数字技术
数字技术正被部署在农业食品供应链的几乎每个阶段，以改善运营效率、产品质量和资源管理。然而，其对FLW预防的贡献因技术成熟度、供应链情境以及影响食物可用性、质量保持和决策的机制而有显著差异。虽然一些技术通过改善环境监测或产品处理直接预防物理损耗，但其他技术主要优化信息流、协调或消费者行为，其对FLW的影响往往保持间接或情境依赖。
综述证据表明，数字化在不同供应链阶段的作用存在显著差异。上游应用主要关注生产效率、采后保存和流程优化。下游技术越来越多地针对物流、冷链完整性、库存管理和零售运营，而面向消费者的解决方案寻求改变购买、储存和处置行为。在这些阶段之间，技术成熟度、实施障碍和支持可测量FLW减少的证据强度存在重要差异。
以下各节批判性地审视目前应用于农业食品供应链的主要数字技术，强调其报告的FLW预防贡献和现有证据的局限性。
4.1 上游数字技术：生产、采后处理和加工
上游供应链阶段的数字化包括精准农业、IoT赋能的监测、预测分析、智能加工系统和数据驱动的决策支持。虽然这些技术经常以提高生产力和运营效率为推广理由，但其对FLW预防的贡献主要取决于其防止质量恶化、减少不必要产品降级以及改善生产与市场需求对齐的能力，而非简单增加农业产出。
在初级生产内部，精准农业整合智能传感器、卫星和无人机图像以及变量率技术，根据空间和时间变异性优化作物管理。这些技术有助于早期检测水分胁迫、养分缺乏、病虫害，从而减少未收获或进入食品链前被丢弃的受损或不可上市产品的比例。大数据分析和AI进一步支持产量预测和需求预测，使收获规划更准确，并在市场需求波动时减少结构性过度生产。然而，相对较少的研究直接量化食物损耗的减少，大多数报告的效益是从作物生产力或资源利用效率的改善中推断的，而非来自已测量的FLW结果。
采后处理是数字技术与FLW预防关系最直接的领域之一。基于IoT的监测系统结合温度、湿度、气体传感器、RFID技术和无线通信网络，能够对易腐商品在储存和运输过程中的条件进行持续监控。实时监测允许早期检测最佳环境条件的偏差，促进快速纠正行动，降低腐败风险并延长产品在储存和运输过程中的保质期。尽管大量试点研究已证明有前景的结果，但更广泛的实施仍受基础设施要求、投资成本和互操作性挑战的制约，特别是在SMEs和小农生产者中。
预测分析和AI越来越多地补充这些监测系统，支持产量预测、疾病检测、剩余保质期估计和风险评估。机器学习模型也被整合到加工操作中，以预测产品质量、识别过程偏差和优化生产调度，从而减少规格外批次和不必要产品处置的发生。同样，智能调度算法改善原材料可用性与加工能力之间的同步，减少导致产品恶化的延迟。尽管有这些进展，大多数已发表的研究评估预测准确性而非直接测量FLW减少，使得难以确定AI在商业运营条件下对废弃物预防的实际贡献。
智能加工系统整合IoT、自动化、信息物理系统和先进过程控制，以稳定生产条件和改善资源利用。关键过程参数的持续监测，包括温度、水分和pH值，减少批次失败并最小化否则会产生食物浪费的质量偏差。在一些工业应用中，数字监测还促进了副产物流的识别和价值化，使其能够转向动物饲料、食品配料或生物基产品而非处置。在本综述中，此类副产物流价值化被视为资源回收而非源头预防。然而，这些应用仍集中在特定工业部门，关于跨多样化食品行业的大规模实施的证据相对有限。
多项跨领域障碍继续限制上游数字技术对FLW预防的贡献。高实施成本、不确定的经济回报、不足的数字基础设施、有限的技术专业知识和碎片化的数据管理仍然是广泛采用的主要障碍，特别是在SMEs和小农生产者中。组织挑战，包括有限的管理承诺和数字工具未能充分整合到日常运营决策中，进一步降低了其潜在有效性。因此，数字化本身无法在没有互补的组织、经济和治理干预的情况下克服上游食物损耗的许多结构性原因。
4.1.1 批判性评估
现有证据表明，上游数字技术在FLW预防贡献的成熟度上存在显著差异。IoT赋能的采后监测目前提供可测量食物损耗减少的最强直接证据，因为它在腐败发生前立即介入。相比之下，归因于精准农业、预测分析和智能加工系统的效益更常从生产力、预测准确性或运营效率的改善中推断，而非来自避免食物损耗的直接测量。这一区别很重要，因为技术性能不应自动被解释为FLW预防的证据。未来研究应优先考虑量化实际食物损耗减少的实地评估，同时考虑成功实施所需的组织和经济条件。
表2对上游主要数字技术进行了比较评估。精准农业（传感器、变量率技术VRT、遥感）主要应用于生产阶段，干预机制包括改善作物健康、早期检测病虫害、优化资源利用以及改善生产与市场需求对齐，FLW预防证据强度为中等，证据主要来自概念研究和案例研究，食物损耗减少的直接量化仍然有限。基于IoT的储存和采后监测主要应用于采后和早期加工阶段，干预机制包括温度和湿度实时监测、腐败早期检测和保质期延长，证据强度为高，多项实地和商业应用以及试点研究提供了相对较强的直接证据，将数字监测与食物损耗预防联系起来。预测分析和AI（产量、质量和剩余保质期模型）应用于生产、采后和加工阶段，干预机制包括收获预测、质量预测、风险批次优先排序和主动过程调整，证据强度为中等，证据基础迅速扩大，但大多数研究评估预测性能而非直接测量的食物损耗减少。智能加工和信息物理系统应用于加工阶段，干预机制包括预测性过程控制、减少批次失败、质量优化和副产物流价值化，证据强度为中等，得到选定的工业应用和试点研究的支持，但更广泛的商业实施和食物损耗减少的直接证据仍然有限。
4.2 物流、冷链管理和零售的数字解决方案
下游供应链阶段已成为FLW预防数字创新的主要焦点，因为它们结合了高浓度的易腐产品、广泛的数据可用性和日益复杂的物流基础设施。与许多寻求改善生产效率的上游应用不同，物流、冷链管理和零售中的数字技术与防止产品恶化、减少库存失衡和延长商业保质期更直接相关。因此，供应链的这一部分目前提供了一些支持可测量FLW减少的最强证据。
智能物流整合IoT、RFID技术、先进通信系统和数字决策支持工具，以改善整个分销网络的可见性和协调性。这些技术促进产品位置、库存状态和运输条件的实时监测，同时实现更高效的路线和补货决策。涉及乳制品和其他高度易腐食品的案例研究表明，改善制造商、分销商和零售商之间的连通性可以减少缺货和过量库存，从而减少在销售前达到到期日的产品数量。然而，大多数报告的效益仍与运营效率密切相关，而相对较少的研究直接量化避免的FLW数量。
冷链监测是FLW预防最成熟的数字应用之一。IoT赋能的监测系统在储存和运输过程中持续记录温度、湿度和其他环境条件，允许在发生偏差时快速干预。商业实施已证明，实时监测降低了温度滥用和相关腐败事件的可能性，特别是对肉类、乳制品、水果和蔬菜。类似发现也在IoT和大数据应用综述中报告，持续环境监测始终有助于延长保质期和降低易腐产品的拒收率。然而，组织研究的证据往往依赖对废弃物管理改善的感知，而非直接测量的FLW减少。
AI支持的库存管理已成为减少下游废弃物的另一个有前景的策略。机器学习算法越来越多地支持需求预测、自动补货、库存优化和库存分配决策，使零售商能够更好地将采购与预期需求对齐。一项综合商业案例证据的研究引用了AI辅助零售应用每门店食物浪费减少14.8%的数据。这一情境特定估计不应被解释为基于AI的库存管理的普遍适用效应。尽管有这些令人鼓舞的结果，文献继续更频繁地强调预测准确性和库存绩效，而非避免FLW的直接测量，限制了不同零售环境之间的比较。
动态定价系统是少数明确设计用于预防食物浪费的数字干预措施之一。通过整合剩余保质期、库存水平和预期需求的信息，这些系统自动调整价格以加速销售接近商业寿命终点的产品。使用基于AI的定价算法的试点研究已证明零售商盈利能力和废弃物减少的同时改善，特别是对新鲜农产品。然而，大部分现有证据仍基于试点实施或模拟研究，报告标准化FLW结果的大规模商业评估相对较少。
区块链应用在已证实的FLW预防方面相对不够成熟。其主要贡献在于改善整个食品供应链的追溯性、透明度和问责制，从而实现更精准的召回并减少未受影响产品的不必要处置。区块链与IoT技术的整合通过将环境传感器数据与防篡改数字记录相关联，进一步加强了监测和追溯。然而，当前证据继续主要关注技术可行性、治理和信息安全，而非商业运营条件下FLW减少的直接测量。区块链也不能保证信息在进入账本之前的真实性；记录的可靠性仍取决于数据捕获、传感器校准和参与者行为。其实际贡献进一步受与现有系统的互操作性、整合成本以及参与者贡献商业敏感数据的激励所制约。因此，区块链应主要被解释为追溯和协调基础设施，而任何直接FLW效益取决于该信息所启用的后续运营决策。
在下游应用中，若干障碍继续制约更广泛的实施。碎片化的信息系统、有限的互操作性、异构数据标准和不一致的数据质量减少了端到端可见性并损害决策支持性能。经济考虑，包括投资成本、可具体归因于FLW减少的不确定回报以及SMEs之间不平等的数字能力，进一步限制了技术采用。此外，组织协作、共同数据治理框架和制度激励仍然是跨多个供应链参与者将数字能力转化为协调废弃物预防战略的基本前提。
4.2.1 批判性评估
与上游应用相比，下游数字技术目前提供了支持可测量FLW预防的最强实证证据，特别是在冷链监测、智能物流和AI辅助库存管理方面。这些技术已超越概念验证，越来越多地在商业运营条件下实施。相比之下，基于区块链的追溯和AI驱动的动态定价仍主要由试点研究和早期商业部署支持。更重要的是，许多报告的效益继续以运营效率、预测绩效或供应链优化的形式表达，而非标准化测量的避免FLW。因此，未来研究应优先考虑统一的评估框架，能够跨不同零售和物流情境比较技术性能与经证实的食物损耗和浪费减少。
表3总结了下游主要数字技术及其技术成熟度和支持FLW预防的现有证据。基于IoT的实时冷链监测主要应用于肉类、乳制品、水果和蔬菜的运输和储存，技术成熟度为高（商业实施），FLW预防证据强度为高，商业部署持续证明温度滥用减少、腐败风险降低和易腐食品保存改善，尽管量化的FLW结果在很大程度上仍为案例特定。智能物流和RFID赋能的库存管理主要应用于易腐食品的分销，技术成熟度为高（商业实施和高级试点），证据强度为中等至高，补货、库存可见性和供应链协调的改善持续减少过期产品，尽管标准化FLW测量仍然有限。AI驱动的需求预测和库存管理主要应用于杂货零售，技术成熟度为中至高（商业采用日益增加），证据强度为中等，一项同行评审的商业案例综合报告每门店食物浪费减少14.8%，但更广泛的文献仍更常强调预测和库存绩效而非标准化FLW结果。基于AI的动态定价主要应用于易腐食品零售，技术成熟度为中等（试点实施），证据强度为中等，试点研究证明食物浪费减少和盈利能力改善的同时实现，尽管大规模商业部署的证据仍然有限。基于区块链的追溯（通常与IoT整合）主要应用于冷链物流和零售追溯，技术成熟度为低至中等（主要试点实施），证据强度为有限，追溯性、透明度和召回管理改善的强证据存在，而证明可测量FLW预防的直接证据仍然稀缺。注：技术成熟度指农业食品物流和零售中的当前实施水平，而非底层数字技术的总体成熟度。
4.3 面向消费者的家庭FLW预防数字技术
面向消费者的数字技术旨在通过支持购买决策、食品储存、膳食规划、剩余再分配和行为改变来减少家庭FLW。与上游或下游数字应用不同，其有效性在很大程度上取决于运营优化，而面向消费者的技术主要依赖个人行为和日常食品管理实践的持续改变。因此，其有效性不仅取决于技术功能，还取决于用户参与、社会接受度以及行为改变随时间的持续性。
食物共享平台和剩余再分配应用是面向消费者数字解决方案中最成熟的类别之一。这些平台将家庭、零售商、餐馆和其他食品企业与愿意接收剩余食物的个人连接起来，从而降低交易成本并促进本将被丢弃的产品的再分配。Too Good To Go和OLIO等平台已报告每年再分配数千吨剩余食物，展示了其将大量食物从废弃物流中分流的能力。因此，食物共享在此被视为剩余再分配或分流，而非剩余产生的直接预防，再分配量不等同于家庭食物浪费的减少。然而，现有证据主要量化再分配的食物而非家庭食物浪费本身的减少。大多数研究因此评估交易量或估计的环境效益，而非用户购买、储存或处置行为的变化。采用进一步受信任、感知食品安全、与剩余食物相关的污名以及数字素养的影响，特别是在社会经济弱势群体中。
食物共享平台的一个重要局限涉及潜在反弹效应。对英国超过75万笔食物共享交易的分析表明，当用户将货币节省重新导向购买其他商品和服务时，预期温室气体效益的59%至94%被抵消，土地和水资源利用也观察到类似反弹。这些发现表明，尽管数字共享平台成功将食物从处置中分流，但其更广泛的环境效益取决于后续消费者行为，而非仅再分配本身。
整合型家庭食品管理应用越来越多地在单一平台内结合购物清单、数字库存、食谱推荐、过期提醒和剩余共享功能。这些应用旨在通过在整个获取、储存、准备和消费周期中支持规划、库存控制和食品素养来改善家庭食品管理。FoodSaveShare等实际实施利用超市会员卡数据自动生成家庭库存，估计产品到期日，提供个性化提醒，并根据可用食材推荐食谱。用户调查一致表明高接受度和感知有用性，特别是在隐私问题得到充分解决时。然而，证明家庭FLW持续减少的稳健证据仍然有限，因为大多数评估依赖感知有用性而非直接测量的废弃物结果。
智能厨房技术将数字食品管理扩展到家庭环境。智能冰箱、连接储存系统、IoT赋能的传感器和智能垃圾桶提供储存食品、剩余保质期和处置实践的自动监测。技术探针研究表明，通过智能垃圾桶可视化家庭食物浪费增加了意识，揭示了感知和实际处置行为之间的差异。然而，隐私问题、用户接受度以及将这些技术整合到日常流程所需的额外努力仍然是长期采用的重要障碍。此外，通过智能厨房设备证明家庭FLW持久减少的证据仍然稀缺，大多数可用研究涉及小样本和相对较短的观察期。
数字日期标签工具和智能包装旨在通过基于实际储存条件提供动态保质期信息，减少围绕“使用期限”和“最佳食用期限”标签的混淆。智能标签、时间-温度指示器和数字应用可能改善消费者对产品安全的信心，同时减少可食用食物的过早处置。实验和建模研究表明，延长产品利用的潜力相当大，特别是对冷藏易腐食品。然而，证明家庭处置行为持续变化的现实世界证据仍然有限，因为许多消费者继续优先考虑预防性食品安全实践而非动态保质期信息。
行为助推应用采用不同策略，明确针对食物浪费的心理和社会决定因素。通过游戏化、个性化反馈、提醒和教育仪表板，这些应用寻求强化可持续食品管理行为。对照干预已显示自我报告的可食用食物浪费适度减少以及食物浪费意识的改善，特别是对频繁参与游戏化内容的用户。然而，维持长期参与仍是一个主要挑战。多项设计研究表明，许多应用低估了家庭日常流程的复杂性，并高估了用户长期持续与数字平台定期互动的意愿。因此，行为干预单独出现不足，除非伴随影响家庭食品实践的结构性和情境性变化。
面向消费者的技术也引发关于公平和可及性的重要问题。虽然剩余再分配平台可能改善经济弱势群体的食物获取，但参与往往集中在数字素养高和环境动机强的用户中。同样，智能家电和智能包装通常需要额外财务投资，可能将其效益集中在高收入家庭中。在所有技术类别中，数据隐私、对平台提供商的信任、数据使用透明度以及数字包容性仍然是用户接受和持续参与的重要决定因素。
4.3.1 批判性评估
与上游和下游数字技术相比，面向消费者的应用目前提供支持可测量FLW预防的最弱实证证据。虽然许多研究报告高用户接受度、改善的意识或大量再分配食物，但相对较少证明在现实条件下家庭FLW的持续减少。大多数可用证据依赖自我报告行为、短干预期或代理指标，而非避免废弃物的直接测量。因此，面向消费者技术的有效性似乎较少取决于技术复杂性，而更多取决于其在多样化家庭情境中实现持久行为改变的能力。未来研究应优先考虑结合客观废弃物测量与行为、社会经济和情境分析的长期干预研究。相应地，意识、意图、应用采用或交易量被视为行为代理指标，除非研究记录了客观测量家庭食物浪费的持续变化。
表4对面向消费者的主要数字技术进行了比较评估。食物共享和剩余再分配平台的主要功能为点对点食物共享；从零售商和餐饮服务提供商处救援和再分配剩余食物，技术成熟度为中至高（成熟商业平台），家庭FLW预防证据强度为分流中等，但预防有限，平台成功将食物从废弃物流中分流，但直接证明家庭FLW减少的证据有限。家庭食品管理应用的主要功能为购物清单、库存跟踪、食谱推荐和过期提醒，技术成熟度为中（商业应用日益增多），证据强度为有限，高用户接受度和感知有用性被报告，但大多数评估依赖自我报告或感知指标而非客观测量的废弃物减少。智能厨房技术的主要功能为自动库存跟踪、保质期监测和废弃物可视化，技术成熟度为低至中（新兴商业产品和技术探针），证据强度为有限，试点研究表明意识和参与度提高，但长期行为改变和FLW减少的证据仍然稀缺。数字日期标签和智能包装的主要功能为基于条件的动态保质期信息，技术成熟度为低至中（试点和早期商业），证据强度为有限，实验研究显示延长产品利用的潜力，但现实世界行为改变证据仍然有限。行为助推应用的主要功能为游戏化、反馈和提醒以鼓励减少废弃物行为，技术成熟度为中（商业应用和对照试验），证据强度为有限至中等，对照干预显示自我报告废弃物减少的适度改善，但长期效果和客观测量仍然有限。
