《Foods》：Smart Consumption, Less Waste: The Role of Digital Technologies in Consumer Food Waste Reduction—A Systematic Literature Review
摘要
数字技术正日益被用于理解和影响消费者食物浪费行为，然而关于其应用及有效性的证据仍然零散。本系统性文献综述（Systematic Literature Review, SLR）综合了消费者行为、技术创新与食物浪费交叉领域的研究。通过对Scopus和Web of Science（WoS）数据库的检索，研究最终纳入了22篇以英文发表的同行评审期刊文章。研究采用主题分析（Thematic Analysis）方法，考察了发表模式、研究情境、方法论路径及新兴研究空白。文献显示，该领域正从以理论和探索性研究为主，转向更具应用性、以技术为中心的研究。科学产出主要集中在澳大利亚、中国、意大利、荷兰和英国，而所选研究主要发表于聚焦环境可持续性、食物链管理和消费者心理学的期刊。研究识别出两种主要的研究路径：一类是采用横断面调查（Cross-sectional Survey）和统计建模（Statistical Modeling）的定量研究，将技术视为解释性因素；另一类是采用实验或设计导向方法的研究，将技术作为直接干预手段。然而，现有证据基础受到对自我报告数据（Self-reported Data）的广泛依赖、回忆偏差（Recall Bias）和社会期望偏差（Social-desirability Bias）以及限制因果和长期结论的横断面设计（Cross-sectional Design）的制约。因此，未来研究应优先采用纵向（Longitudinal）、混合方法（Mixed-methods）和客观测量（Objective Measurement）路径，同时考察消费者对食物浪费预防技术的情感和心理反应。此类技术的实施还需关注可用性、用户疲劳、隐私与伦理问题，以及采用过程中的心理和文化障碍。总体而言，研究结果表明，数字技术为支持减少食物浪费提供了有前景但尚未得到充分验证的机会，需要更强有力的实证证据来指导其有效且负责任的发展。
1. 引言
食物浪费（Food Waste, FW）是当代最紧迫的挑战之一，对粮食安全、全球经济和环境可持续性具有深远影响。据估计，每年约有三分之一的供人类消费的食品被损失或浪费，约13亿吨。这一现象不仅加剧了资源有限世界中的粮食不安全问题，还显著 contributes to 温室气体排放、水资源利用效率低下和土壤退化，在全球饥饿面前构成了道德和伦理悖论。
多项减少食物浪费的倡议和干预措施已被实施和研究，结果各异，其中以消费者为导向的行为干预通常显示出有效性。经常被考察的策略包括意识和信息宣传活动、无托盘用餐（Tray-less Dining）和份量减少（Portion-size Reduction）；调整餐盘尺寸、经济激励和大学校园内的食物分享，尽管大多数现有证据来自发达国家；提示、自我记录、对先前行为的反馈、教育项目和实用建议；以及有针对性的宣传活动、网站、应用程序和教育课程，以增强年轻人的知识、动机和食物管理技能。当实际措施与信息策略相结合时，此类干预最为有效，因为单独实施的信息宣传活动可能不足，除非辅以环境或情境变化，使替代行为更容易维持。这一模式在多个国家情境中均有体现：研究特别关注美国、意大利和英国，这些国家的消费占食物浪费的很大份额且人类发展水平较高；例如英国“爱食物恨浪费”（Love Food Hate Waste）运动，与可避免的家庭食物浪费的显著减少和经济节约相关；挪威较小的自助餐盘减少了餐盘浪费；Reynolds等人综述的一系列干预措施，涵盖餐盘尺寸修改、信息宣传和修订的学校营养指南；简洁的印刷提示使美国大学生的食物浪费减少了15%；以及一项几乎完全在线实施的教育干预使家庭食物浪费减少了近28%；澳大利亚的一项结合教育、技能发展和全校范围的干预措施增加了学生参与度并减少了可避免的学校食物浪费。
总的来说，这些非数字干预措施有一个共同的概念局限：它们在很大程度上将消费者视为理性的、认知自主的决策者，其行为主要由意识、动机和社会规范塑造，这一假设与计划行为理论（Theory of Planned Behavior, TPB）一致。随着数字技术嵌入与食物相关的日常活动中，它们引入了一种质上不同的行为改变机制。移动应用程序、智能传感器和基于人工智能的反馈系统等工具，并非简单地告知或激励消费者，而是积极地重新配置做出食物决策的物质和情境背景。
出于本综述的目的，数字技术被定义为基于软件或硬件的工具，它们要么（a）在情境中调节消费者的食物相关决策（例如，移动应用程序、智能垃圾桶、物联网传感器），要么（b）生成或处理关于消费者食物浪费行为的数据（例如，计算机视觉、机器学习分类器、移动应用程序）。该定义与先前研究一致。食物浪费可以理解为原本旨在滋养人类的可食用产品，但在实际食用之前被扔掉、变质或以其他方式从人类食物供应中移除的损失。这一现象跨越多个阶段，从收获和加工到零售，最终到达消费者手中的时刻。
消费者食物浪费（Consumer Food Waste）聚焦于食物到达家庭或最终用户层面后发生的事情。它涵盖个人或家庭丢弃本可以食用的物品的情况，无论是由于食物变质、过度准备、超过保质期，还是仅仅在盘子里未食用。重要的是，这类浪费在很大程度上受人类行为的影响：消费者在管理其食物供应时所做的日常安排、习惯和选择，在决定最终有多少被浪费方面起着核心作用。一些学者进一步澄清，消费者层面的浪费不仅包括送往垃圾填埋场的食物，还包括被堆肥、喂给动物或通过家庭下水道处理的食物；本质上，任何在供应链最后阶段将可食用食物从人类消费中移除的途径。真正的消费者食物浪费，特指那些本可以滋养某人的东西反而被消费者丢失、丢弃或转用于非食品用途的情况。家庭食物浪费（Household Food Waste）被定义为消费者在家庭内的储存、准备或消费阶段丢弃的食物，相对于零售、餐饮服务或供应链阶段发生的浪费而言。
新兴技术为食物分享、库存管理、食谱推荐和剩菜再利用提供了更多可能性，通过智能系统、在线平台和移动应用程序实现。消费者倾向于支持简单、可访问且技术支持的宣传活动，包括提供食谱和基于奖励功能的应用程序；然而，仅依赖环境效益信息可能不足以改变行为。总体而言，技术可以通过促进食物规划、库存管理、剩菜再利用、食物分享和提供定制化信息来支持减少食物浪费。然而，先前的干预措施通常将技术视为辅助性的沟通工具，而非减少策略的核心组成部分。因此，其结合实践支持、行为反馈和情境敏感解决方案的潜力仍未得到充分探索。
在此背景下，食物浪费消费者行为成为一个关键的干预点。在发达国家和发展中国家，相当大比例的浪费发生在供应链的最后阶段，在欧盟等一些地区，家庭占废物总量的比例超过一半。这种行为的影响因素是多方面的，从有限的规划和烹饪技能，到对日期标签的困惑，以及对视觉上完美产品的偏好，需要超越定量指标的分析，以解决消费的心理社会和日常维度。此外，食物浪费是消费者在社交媒体上讨论的一个话题，包括促进减少食物浪费和剩菜管理的倡议。
关于食物浪费的研究传统上借鉴经济学、心理学和社会学的视角，经常使用计划行为理论（TPB）来解释个体的意图和行为。TPB仍然是该领域理解消费者决定因素最常用的理论框架。然而，纯粹的认知方法已被证明不足以捕捉导致食物丢弃的日常实践的复杂性，表明需要将情境和物质因素纳入分析。最近的文献强调考察家庭环境和可用工具如何塑造丢弃决策的重要性，将注意力从消费者指责转向系统性障碍和变革机会。
几篇文献综述试图系统化关于食物浪费决定因素的知识。Hebrok和Boks进行了一项广泛的综述，聚焦于驱动因素和设计干预点，强调消费实践的复杂性以及超越信息提供的解决方案的必要性。Moraes等人对预防和最小化方法进行了分类，如教育、政策和物流，同时指出评估这些措施有效性的实证研究稀缺。最近，Vihttuari等人综述了文献，识别了行为改变的杠杆。尽管有这些贡献，一个持续的空白仍然存在：技术通常被视为外围因素或归入机会或基础设施之下，而不是被考察为当代消费实践中的核心变革力量。Salume等人的文献计量分析证实了这一观点，承认该领域的成熟，同时呼吁更整合的方法和方法论创新。大多数先前的综述没有将技术作为主要分析焦点，从而忽视了数字工具和物质创新如何重新配置消费者与食物的关系。
技术在该领域的作用日益增长，具有矛盾性和变革性。一方面，食品配送应用程序与通过刺激过度购买和管理剩菜困难而增加的浪费有关。另一方面，智能包装、新鲜度传感器和家庭库存管理应用程序等创新有望延长产品保质期并支持消费者决策。此外，利用技术的新研究方法，如技术探针（Technology Probe）和基于人工智能（Artificial Intelligence, AI）的图像废物分析，正成为量化废物和揭示潜在行为的更准确手段，从而克服自我报告测量的局限性。因此，技术既作为干预工具，又作为根本改变消费实践和食物浪费学术研究的载体。此外，已有关于零售、服务和酒店业数字技术支持的食物浪费减少策略的研究。然而，关注数字技术与消费者食物浪费的研究仍然很少。
鉴于这一背景，本研究旨在理解技术在消费者食物浪费研究中的作用。目标是描绘技术解决方案如何被用于既减轻浪费，又加深对浪费习惯的学术理解。指导本研究调查的核心研究问题是“技术解决方案如何在消费者食物浪费研究中使用？”为解决这一问题，研究按照Tranfield等人的指导方针和该领域近期研究的改编，进行了系统性文献综述（SLR），以识别、评估和解释所有相关研究。SLR围绕三个研究问题（RQs）构建：
RQ1：关于消费者食物浪费和技术的出版物的总体格局是什么，考虑时间趋势、地理分布和领先期刊？
RQ2：哪些方法、行为理论和技术主要用于研究消费者食物浪费，它们如何转变了该主题的研究？
RQ3：当前文献的主要空白是什么，以及哪些未来研究议程可以推进消费者食物浪费与技术交叉领域的知识？
本研究旨在在多个维度上做出贡献。在理论上，它试图通过提出一种更全面的视角，纳入技术物质性和消费行为，来推进对技术、消费者行为和食物浪费之间交叉点的理解。本研究通过提供最先进的概念和方法论地图，系统地整合了三个通常被分开处理的领域——消费者行为、技术创新和食物可持续性。通过明确主导的理论方法、所采用的技术和持续存在的空白，本综述引导研究人员识别有前景的探究途径，设计更严谨的研究（特别是纳入客观测量的研究），并制定更整合、更具比较性和纵向基础的研究议程。
在方法论上，本文强调了完善或提出研究这一交叉点的方法的机会，展示了人工智能和参与式视觉方法等工具如何帮助克服食物浪费研究中常见的社会期望偏差和其他偏差。在实践上，本综述旨在通过识别应用程序和智能设备中哪些设计特征和功能最有可能促进参与和行为改变，为开发更有效的技术和干预措施提供信息。最后，从公共政策的角度，研究结果可以支持设计减少食物浪费的策略，指示政府如何激励循环经济技术的采用作为服务，并监管数字平台以减轻其负面影响。
2. 材料与方法
本研究作为一项系统性文献综述（SLR）进行，与传统的叙述性综述不同，该方法强调严谨性、透明性和可重复性，以综合科学证据同时最小化偏差。SLR方法特别适合管理碎片化知识，并识别技术与可持续性交叉的多学科领域中的关键空白。本综述遵循PRISMA（系统综述和荟萃分析首选报告项目）指南，以确保方法论严谨性、透明性和可重复性。PRISMA框架提供了27项检查清单和流程图，以记录识别、筛选、资格评估和纳入的阶段，从而标准化综述过程并减少报告偏差。
方法论工作流程包括四个主要阶段：规划、证据识别、筛选和资格评估，以及数据综合，遵循Tranfield、Denyer和Smart以及Snyder的建议，并纳入PRISMA 2020的程序流程。在规划期间，定义了综述范围和研究问题（RQ1–RQ3），以将搜索策略聚焦于消费者食物浪费与技术解决方案之间的交叉点。
定义了以下纳入标准：（a）同行评审的期刊文章；（b）以英文发表的文本；（c）明确涉及数字技术在消费者食物浪费情境中应用的研究。本研究中数字技术的概念包括，例如，技术在实际干预、面向消费者的平台或人工智能辅助分析工具中使用的研究。排除标准排除了书籍章节、会议摘要、无全文的文档、重复项以及非英文出版物。灰色文献和会议摘要被排除，以优先考虑同行评审的证据并确保综合结果的稳健性。书籍章节和会议摘要被排除，因为它们通常缺乏评估研究质量、偏差风险和可重复性所需的同行评审、方法论和结果细节。会议摘要可能报告与后续完整出版物不同的初步发现，可能无法提供足够的信息来识别研究设计或提取综合结果，并且由于索引不一致，可能难以且资源密集地定位和评估。尽管摘要和全文文章之间的差异通常较小，但摘要通常呈现初步结果，而书籍章节可能包含叙述性或先前发表的材料，而非原创实证研究。因此，这些来源被先验排除，以确保对完整报告的主要研究进行评估和综合的一致性，同时承认潜在的发表偏倚。
在电子数据库Scopus和Web of Science（WoS）中进行了系统性搜索，选择这些数据库是因为它们对消费者行为、技术和可持续性研究的全面覆盖。此外，选择它们是因为它们是广泛认可、全面的书目数据库，主要索引学术期刊，并提供相对准确、结构化和可重复的记录。它们在科学领域中的广泛但部分互补的覆盖范围，特别是Scopus中社会科学和WoS中自然科学与工程的更广泛代表性，使得它们的组合使用能够提供更丰富的相关文献范围。两个数据库也被视为处理大量学术信息和支持系统性搜索与研究分析的可靠来源。尽管其覆盖范围存在国家、语言和学科偏差，但它们被认为适用于识别在已建立、索引的学术期刊上发表的研究。
搜索结合了与消费者行为、食物浪费、技术（例如，应用程序、物联网、传感器、人工智能、机器学习、计算机视觉、智能包装）以及相关情境（例如，家庭、餐厅、机构餐饮服务）相关的详尽术语。应用了布尔运算符和通配符，没有时间限制，以捕捉历史演变和新兴趋势。
搜索策略使用了以下术语组合，这些组合针对每个数据库的具体语法进行了调整。在WoS中，使用了以下字符串——TS = (“consumer behavio” OR “consumer attitude” OR “consumer decision” OR “consumer choice” OR “consumer awareness”) AND TS = (“food waste” OR “food loss” OR “food discard” OR “food surplus” OR “food wastage” OR “wasted food”) AND TS = (technolog OR digital* OR app* OR “mobile app” OR smartphone OR “Internet of Things” OR IoT OR sensor* OR “smart kitchen” OR “smart appliance” OR “smart fridge” OR “computer vision” OR “image recognition” OR “machine learning” OR “artificial intelligence” OR “deep learning” OR “recommender system” OR “recommendation system” OR “smart label” OR “time-temperature indicator” OR “time temperature indicator” OR TTI OR “freshness indicator” OR RFID OR “QR code” OR barcode OR “digital nudg” OR gamif OR chatbot* OR “virtual assistant”) AND TS = (household OR home* OR resident* OR “end user” OR “lay user” OR restaurant* OR “food service” OR canteen* OR cafeteria* OR school* OR hospital* OR “university dining” OR “institution*” OR “plate waste”)。
在Scopus中，使用了以下字符串——TITLE-ABS-KEY (“consumer behavio” OR “consumer attitude” OR “consumer decision” OR “consumer choice” OR “consumer awareness”) AND TITLE-ABS-KEY (“food waste” OR “food loss” OR “food discard” OR “food surplus” OR “food wastage” OR “wasted food”) AND TITLE-ABS-KEY (technolog OR digital* OR app* OR “mobile app” OR smartphone OR “Internet of Things” OR IoT OR sensor* OR “smart kitchen” OR “smart appliance” OR “smart fridge” OR “computer vision” OR “image recognition” OR “machine learning” OR “artificial intelligence” OR “deep learning” OR “recommender system” OR “recommendation system” OR “smart label” OR “time-temperature indicator” OR “time temperature indicator” OR TTI OR “freshness indicator” OR RFID OR “QR code” OR barcode OR “digital nudg” OR gamif OR chatbot* OR “virtual assistant”) AND TITLE-ABS-KEY (household OR home* OR resident* OR “end user” OR “lay user” OR restaurant* OR “food service” OR canteen* OR cafeteria* OR school* OR hospital* OR “university dining” OR “institution*” OR “plate waste”)。
在这些字符串中，需要解释的是：（1）TS（主题）或Title-Abs-Key在标题、摘要和关键词字段中搜索术语；（2）OR和AND是组合搜索术语的布尔运算符；（3）*是通配符，允许包含单词的变体（例如：“behavior”和“behaviors”）。
初步搜索返回了489条记录（WoS 195条；Scopus 294条）。技术过滤器移除了81篇非文章文档（WoS 23篇；Scopus 58篇）和5篇来自Scopus的非英语研究，留下403篇文章进行进一步处理。去重后（移除151条记录），252条唯一记录保留用于标题和摘要筛选。
三位研究人员独立筛选标题和摘要，以验证技术组件的存在。评估者间一致性很高，任何分歧都通过讨论解决直至达成共识。该阶段排除了218条记录，留下34篇文章进行全文审查。在此阶段未计算Kappa值或其他评估者间一致性的定量测量，因为排除记录数量多且存在kappa悖论的风险，即使在百分比上看到非常高的一致性时，也可能显示较低的kappa值。
对保留的34篇文章的全文资格评估仅由三位作者进行，每位作者根据纳入/排除标准独立评估每篇文章。使用Fleiss' kappa评估评估者间一致性（κ = 0.87），表明实质性一致性；剩余分歧通过讨论解决直至达成共识，最终样本为22项研究。
筛选过程完成后，NotebookLM Pro（现为Gemini Notebook）仅用作综合支持工具，帮助组织和交叉引用从22项纳入研究中提取的描述性信息（例如，总结报告的方法、理论和技术）。所有AI生成的摘要均由作者根据原始全文手动检查不准确之处，并在纳入分析前进行更正。AI生成的摘要与源文本之间识别的任何差异均由三位作者通过共识解决，原始全文始终被视为权威来源。AI工具不用于告知或做出纳入/排除决策。
PRISMA 2020流程图，总结了识别、筛选、资格评估和纳入步骤，如图1所示。
最终22项研究的样本反映了纳入/排除标准的严格应用，而非任意目标。这与明确结合数字技术与消费者食物浪费行为的研究处于萌芽阶段一致，并且在规模上与相邻领域的其他聚焦SLR相当。鉴于SLR通常因严格的资格标准而排除最初识别记录的大多数，一个紧凑但严格筛选的样本适合综合这一新兴文献。
从所选研究中提取数据遵循混合方法。使用Bibliometrix包通过Biblioshiny界面（RStudio——版本4.5.1）进行描述性文献计量映射，实现了书目元数据的结构化可视化，与食物浪费领域近期综述一致。整合性综合通过分阶段程序巩固了证据。首先，描述性映射记录了时间出版趋势、研究中心的地理分布和领先期刊，提供了情境导向。接下来，主题分析分类了研究方法、行为理论和主要技术，揭示了数字和智能工具如何将传统方法转向实时干预和更精确的数据收集。最后，批判性评估识别了持续存在的理论和方法论空白。这些遗漏直接为拟议的未来研究议程提供了信息，从而将原始数据转化为整合的、前瞻性的视角，实现了研究目标。
为了在不改变最终样本的情况下表征22项纳入研究的方法论概况，使用混合方法评估工具（Mixed Methods Appraisal Tool, MMAT）进行了质量评估。选择MMAT是因为它适应纳入文献的方法论多样性，涵盖定性、定量描述性、定量非随机、随机对照试验和混合方法设计，在一个单一的、经过验证的工具中。每项研究首先被分类为MMAT的五个研究设计类别之一，并根据两个通用标准（研究问题的清晰度和数据解决这些问题的充分性）进行筛选，然后根据每篇文章的全文，对五个类别特定标准进行“是”、“否”或“无法判断”的评分。
由于MMAT的五个设计特定标准集预设了从人类参与者收集主要数据，它们无法应用于两项计算或算法研究。然而，MMAT的两个通用筛选问题（S1–S2），它们是设计无关的，被保留用于这些研究，五个设计特定标准被替换为四个适用于计算研究的改编标准（C1–C4）。应用于两项计算/优化研究的四个改编标准（C1–C4）基于Sargent的模拟模型验证和确认框架，该框架区分概念模型有效性、数据有效性和操作有效性，作为评估基于模拟的研究的核心维度。选择该框架是因为两项研究都采用优化/模拟方法。C1对应Sargent的概念模型有效性；C2对应数据有效性；C3对应操作有效性；C4解决将模拟结果推广到现实消费者行为的边界条件，Sargent认为这是负责任解释模拟输出的关键维度。
Ou等人和Woolley等人的C1和C2均获得积极评级，反映了其透明的方法论假设和清晰记录的数据来源。两者在C3上均被评定为负面，因为其报告的利益源于基于模拟的分析，而非现实世界的实证验证：Ou等人将一年的回顾性模拟应用于历史销售数据，而Woolley等人明确指出其工具尚未在真实场景中实施。对于C4，Woolley等人因明确讨论了实施的技术、立法、商业和社会障碍而被评定为积极，而Ou等人因缺乏专门的局限性讨论而获得CT评级。
与MMAT开发者指南一致，评级未被聚合为复合数值分数，也未用作从综述中排除研究的基础。相反，评估是在通过上述纳入/排除标准确定最终22项研究样本后进行的，仅用于系统地记录方法论优势和局限性，为第3.3节和第4.2节中呈现的叙述性综合提供信息。评级由三位评审员独立评估；分歧在适用情况下通过讨论解决。完整的评估矩阵见附录A和附录B。
所有研究均满足MMAT的第一个通用筛选标准（清晰的研究问题）。两项研究的数据充分性（S2）无法确定。在十二项被分类为定量描述性设计的研究中，最频繁的不确定性来源涉及样本代表性和无响应偏差的风险，呼应了上述叙述性讨论的样本局限性问题（例如，同质、便利或地理集中的样本）。单一的随机对照试验满足了随机化适当性和基线可比性，并确认了结果评估者的盲法（C4），尽管完整的结果数据（C3）和完全参与者依从性（C5）未满足，与原始研究中记录的排除数据和项目记录偏差一致。
单一的定量非随机研究满足五个类别特定标准中的四个，除了相对于目标人群的参与者代表性（C1 = 否），而所有其他标准均被评为积极。单一的定性研究满足了方法论适当性的标准（C1 = 是），但显示了对数据解释的证实不足（C4 = 否），数据充分性、收集与分析之间的连贯性以及发现的推导被评为“无法判断”（S2、C2、C3、C5）。五项混合方法研究展示了定性和定量组件的充分理由和整合，尽管K?r等人显示理由、整合和解释不充分（C1 = 否、C2 = 否、C3 = 否），分歧处理不明确（C4 = 无法判断）；只有Jones-Garcia等人、Lim等人和Soma等人明确处理了此类分歧（C4 = 是），而Gul等人对此未明确（C4 = 无法判断）。两项计算/模拟研究，鉴于其非实证设计，使用改编标准进行评估，透明地报告了模型假设，但很少包括针对现实世界数据的实证验证。
3. 结果
3.1. 出版物概览
本小节报告了允许我们解决RQ1的发现，该问题考察了综述中包含的研究中关于消费者行为、食物浪费和技术的出版格局，重点关注时间演变、地理分布和领先期刊。
图2显示了年度出版数量。2015年至2018年间，发表了五项研究。这些早期工作主要强调理论接受和行为的观察性描述。该时期标志着从基于意图的研究转向现场观察：J?rissen、Priefer和Br?utigam在智能冰箱广泛采用之前调查了对其的接受度，而Masson等人和Lim等人将研究推进到受控环境和原型试验（技术探针），承认自我报告数据的局限性。当时技术通常被框定为未来的承诺或教育工具。
过渡阶段（2020–2022年）显著增加，有九项出版物。这些研究更集中地将数字技术整合到研究设计中，并揭示了三个主要发展：（1）使用移动应用程序进行实时数据收集；（2）部署协作平台进行剩余食物再分配；（3）初步应用机器学习算法检测消费模式。Sharma等人和Shankar等人将数字便利视为浪费的驱动因素，而Roe等人使用应用程序进行个性化辅导，从被动观察转向主动行为改变。值得注意的是，2022年占六项出版物，反映了技术行为范式的巩固，并与反浪费应用程序的更广泛采用和联合国食物可持续性指南相吻合。
当前阶段（2023–2025年）的特点是技术复杂性和方法论多样化。来自这一三合会的八篇文章揭示了三个新兴趋势：采用区块链和计算机视觉等先进技术；将多种技术整合到复杂系统中（例如，物联网与生成式人工智能相结合）；以及利用大数据进行跨国比较研究的更广泛地理范围。该领域已从描述性模型发展为预测性和规范性方法：Gul等人和Yu等人例证了既考察技术又使用人工智能（计算机视觉、自然语言处理）来验证数据和克服自我报告偏差的研究。总体而言，16项出版物集中在最近五年，表明该研究领域快速多样化和技术复杂性日益增加。然而，如第3.3节所讨论，这种多样化并未统一地伴随着方法论严谨性的提高，因为许多近期研究继续依赖小型、非代表性样本和横断面或短期设计。
时间模式展示了从理论和探索性研究到应用性、以技术为中心的研究的清晰轨迹，具有日益增强的实践干预能力。数据表明，未来研究可能将强调整合智能系统，将复杂的行为分析与新兴技术相结合，以提供可扩展的食物浪费减少解决方案。
对所选论文集的分析，考虑作者隶属关系，识别出五个在消费者行为、食物浪费和技术科学产出方面的领先国家：澳大利亚、中国、意大利、荷兰和英国。第二梯队贡献者包括加拿大、日本和挪威。
表1显示了所选文章在15种不同期刊中的分布，强调了消费者食物浪费与技术交叉研究的跨学科和分散性质。
图3绘制了消费者行为、食物浪费和数字技术领域的全球科学产出和国际合作网络。在该等值线图中，应用于国家的颜色渐变（红色调）代表科学产出的绝对数量，较深的红色调表示较高的出版数量。
尽管文章分散在15种期刊中，但值得注意的是集中在三个期刊，它们合计占样本的近一半（10篇文章）。《Sustainability》以四篇出版物领先，其次是《British Food Journal》和《Food Quality and Preference》，各三篇。这种聚集表明学术辩论主要锚定在三个相互关联的支柱上：环境可持续性、食物链管理和消费者心理学。分布的尾部，12种期刊各有一篇文章，展示了该主题渗透到高度专业化的技术和管理领域。
尽管搜索策略有意包含涵盖家庭、酒店和机构餐饮服务情境的术语，但最终样本主要由家庭/国内情境中的研究组成，较小部分涉及机构或准机构情境（例如，Roe等人中的大学餐饮；Wi?niewska和Czernyszewicz中的大学食物再分配）。由于家庭和机构食物浪费的产生涉及不同的决策结构、行动者和基础设施，这些情境中的发现在方法、理论和技术类型方面进行主题综合，但在浪费减少结果的规模或可推广性方面不被视为直接可比。
3.2. 应用于消费者食物浪费研究的方法、行为理论和技术
对解决RQ2的所选研究的系统分析揭示了技术如何在消费者食物浪费研究中被调查的明确方法论分歧。一方面是以横断面调查和统计建模为主的定量调查，将技术视为理论模型中的前因变量。另一方面是实验和设计导向的研究，将技术部署为直接干预。定量分支经常使用结构方程模型（Structural Equation Modeling, SEM）或回归分析来测试行为构念在大样本中的普遍性，如考察配送应用程序和数字平台影响的研究所例证。这些方法被青睐用于评估数字技术如何在特定文化情境中塑造态度和与浪费相关的行为。
在行为理论方面，Ajzen的TPB仍然是主导框架，通常被扩展以纳入技术和情境变量。例如，Shankar等人用信任技术和剩菜管理常规等措施增强经典TPB构念（态度、主观规范、感知行为控制），以解释意图和过度购买行为。作为TPB的补充，动机-机会-能力（Motivation–Opportunity–Ability, MOA）框架作为捕捉受情境因素约束的行为的稳健视角而获得关注；Aloysius等人和Soma、Li和Maclaren的研究说明了技术主要在“机会”维度内运作，要么促进要么阻碍家庭废物管理。
在这些主流模型之外，几项研究采用替代理论视角来捕捉人机交互和消费决策过程的细微差别。Sharma等人应用理性行为理论（Theory of Reasoned Action, TRA）来绘制疫情期间应用程序使用的支持和反对理由，提供了比TPB更细致的消费者认知处理说明。Islam等人采用刺激-有机体-反应-后果（Stimulus-Organism-Response-Consequence, S-O-R-C）模型来追踪从技术刺激（应用程序便利性）到环境后果（浪费）的因果路径，将技术框定为改变内部消费者状态的外部触发因素。Wi?niewska和Czernyszewicz使用食物分享态度和行为（Food Sharing Attitudes and Behaviors, FAB）模型将分享倾向分解为认知、情感和行为组件。
一个独特的研究分支偏离了基于方差的模型，拥抱实践理论和定性、基于探针的方法，以揭示技术如何纠缠在日常常规中。Jones-Garcia等人开发了一个配备摄像头和秤的智能垃圾桶，连接到Raspberry Pi，在每次开盖时自动记录重量和图像；这种方法既记录了常规的不可见性，又作为反思性干预发挥作用。Lim等人同样使用了一个带有重量传感器的增强垃圾桶，连接到社交食谱应用程序，证明客观生态反馈比单独的食谱建议更有效地提高意识和参与度。这些干预主义的基于传感器的方法论旨在不预测意图，而是观察技术如何使以前不可见的浪费行为变得可见，从而暴露自我报告与实际实践之间的差异。
最后，综述的研究将技术的情境作用分为三个主要类别，第一个是技术被概念化为理论模型的一部分。在这种情况下，数字应用程序、智能基础设施和智能包装被视为环境属性或假设的产品场景，而非操作工具。例如，Tadesse等人和J?rissen等人评估了对QR码和活性包装等创新的接受度和支付意愿，将技术作为产品属性来引出偏好和未来意图。在相关工作中，Wi?niewska和Czernyszewicz将技术整合到理论模型中作为情境促进者，考察连接捐赠者和接收者的平台和移动应用程序（例如，Too Good To Go），并为支持大学环境中食物再分配的信息技术解决方案提供实用建议。
第二类将技术框定为主动干预，其中数字工具被部署以实时修改行为。随机对照试验例证了这种方法：Roe等人实施了FoodImage应用程序进行跟踪和辅导，要求参与者拍摄其餐盘浪费而非自我报告；训练有素的研究人员对图像进行编码，产生客观测量，证明干预组餐盘浪费减少了78.8%。Yu等人通过将人工智能模型应用于用户提交的餐厅剩菜照片，评估了食物分享平台（Regusto）的有效性；算法分析揭示了一个关键差异，消费者对浪费的视觉估计与人工智能衍生的重量估计相差约50%，强调了人类估计的局限性和数字量化的优越精度。Soma、Li和Maclaren进一步说明了技术如何暴露干预的不足：他们的游戏化在线教育增加了自我报告的认知，但当通过物理路边废物审计验证时，测量的废物没有产生统计上显著的减少，强调了独立、客观结果测量的必要性。
第三类将技术视为分析方法论工具。计算能力的进步使得使用人工智能和机器学习算法处理复杂的消费者行为数据成为可能。随机森林（Random Forest）模型已被用于预测消费模式和优先考虑循环经济措施，而Gul等人结合计算机视觉和自然语言处理来扩展定性视觉分析，产生快速、偏差更小的浪费认知见解。参与式方法通过人工智能得到增强；从学生收集的photovoice图像被神经网络自动分类，准确率达88%，实现了定性数据的大规模处理，并在参与者中引发强烈的视觉反馈。
计算模拟和算法优化形成了一个额外的子类别：Woolley等人和Ou等人开发了算法来模拟理想的库存和销售场景，提出了如果实施将重塑消费者决策结构以优化消费和减少浪费的技术架构。被动观察技术也被用于克服自我报告中的社会期望偏差。生物识别测量，如眼动追踪，揭示了对视觉不完美农产品的快速、低努力认知拒绝，而使用专门软件（例如，Noldus）的详细行为观察允许Masson等人量化危及食物安全的储存错误和暴露时间——这些数据不太可能通过回顾性问卷准确捕获。
总的来说，综述的文献记录了从基于意图的模型（TPB、MOA）——通过调查测量——向数据驱动、干预主义方法的转变，这些方法采用数字干预（应用程序、物联网）和高级分析（人工智能、机器学习）。虽然行为理论对于解释采用和抵制仍然至关重要，但数字干预和分析工具的整合使研究人员能够测量技术如何以及在多大程度上影响浪费结果。因此，技术已从理论研究对象演变为行为改变的积极推动者和科学探究的复杂工具。
图4提供了一个整合的社会技术框架，作为表2中映射的方法论和理论景观的全面视觉综合。该图理清了22篇综述论文中识别的研究设计、行为模型和技术干预之间的复杂交互。如图4所示，学术文献在动态的三方结构中运作。首先，方法论输入定义了消费者食物浪费如何被捕获，对比了传统主观输入（如调查和日记）与新兴客观跟踪方法（如计算视觉、基于传感器的称重和民族志）。其次，这些输入通过理论处理器过滤。在这里，经典线性模型（如TPB）被系统性和情境性视角（如社会实践理论（Social Practice Theory, SPT）和MOA框架）扩展，以捕获非故意的家庭常规。
最后，这种认知行为动态在特定的技术输出中具体化。这些范围从被动移动平台和算法跟踪到智能包装和优化模型，所有都积极重塑选择架构并实时重定向消费者实践。通过可视化这些交叉点，图4超越了论文的描述性列表，提供了技术物质性如何共同构成当代食物浪费行为的结构性地图。
附录A总结了消费者食物浪费研究中应用的方法、行为理论和技术。
表2综合了实施技术创新而不依赖自我报告测量的研究，并总结了其主要发现。
对这些研究的横断面审查表明，数字工具不仅自动化数据收集；它们从根本上重塑了对食物浪费现象的理解。客观测量技术，如人工智能、传感器、物理审计和生物识别设备，一致地揭示了声明意图与观察行为之间的差距。虽然调查通常捕获态度和社会规范，但数字观察工具暴露了废物的物质性和支撑丢弃实践的自动习惯。
因此，证据表明最有前景的方法论路径是混合化。将通过应用程序收集的用户输入与通过人工智能、传感器或物理审计的客观验证相结合，为设计基于证据的干预措施提供了稳健的方法。这种混合方法减轻了自我报告偏差，并提供了评估可持续性策略实际影响所需的精确指标。
3.3. 空白与实施障碍
消费者食物浪费与技术交叉的现有文献，尽管增长，但表现出限制其发现普遍性的方法论局限性。一个主要的缺点是严重依赖自我报告的调查数据，这引入了社会期望偏差和回忆错误。K?r等人和J?rissen等人的研究承认，仅消费者认知可能无法反映实际的浪费行为。同样，Aloysius等人和Wi?niewska和Czernyszewicz注意到基于问卷的分析中声明意图与观察行为之间的差异，强调了更客观测量方法的必要性。
许多研究的横断面设计进一步限制了关于技术和行为关系的因果推断。对食品配送应用程序的研究通常依赖单一时间点的数据，限制了对持续技术使用如何塑造长期习惯（如过度订购或剩菜再利用常规）的洞察。
样本局限性也很明显：许多研究关注同质或非代表性群体，阻碍了更广泛的推断。例如，Masson等人仅在人工环境中对20名参与者进行了厨房观察，可能改变了自然行为。Gul等人和Jones-Garcia等人使用学生或特定家庭的小样本，Roe等人报告了以女性为主的本地样本，这些都限制了外部有效性。
技术验证和可用性构成了额外的障碍。干预措施可能因设计缺陷或用户疲劳而失败。Lim等人将手动数据输入确定为长期应用程序采用的主要障碍。Jones-Garcia等人报告了硬件问题，智能垃圾桶摄像头中的冷凝水损害了数据收集，表明基于物联网的研究工具仍缺乏长期家庭部署所需的稳健性。
在模拟和建模领域，先进算法产生强大的洞察，但通常缺乏大规模实证验证。Woolley等人提出的家庭库存管理优化算法假设标准化保质期，尚未在复杂的现实场景中进行现场测试。Ou等人基于历史数据的动态促销模型需要现场验证，以确认理论上的浪费减少是否转化为商业和家庭实践。
人工智能准确性在广泛应用前也需要进一步关注。Yu等人报告消费者估计的浪费重量与人工智能计算的重量之间存在近50%的差异，同时承认人工智能模型需要在更大、更多样化的数据集上进行训练以确保可靠性。Gul等人强调，预训练模型可能无法识别新兴经济体情境中的文化特定食物，突出了本地化训练数据和验证的需求。
数字技术和人工智能通过增强库存控制、个性化菜单规划和实现自动化、实时的废物跟踪（允许快速纠正措施），为减少食物浪费提供了实质性利益。实证证据强调，人工智能作为更有效食物管理的战略工具，提供经济和环境效益，未来研究应侧重于将这些废物跟踪设备与消费者层面的干预措施相结合，以进一步增强减少食物浪费。至关重要的是，数字和基于人工智能的测量比传统跟踪方法提供更高的准确性。传统问卷和自我报告方法，如书面日记，已被证明低估家庭食物浪费并存在准确性受损的问题。事实上，自我报告摄入方法中约50%的错误源于参与者无法准确估计供应和未食用的份量
