No se conoce con exactitud la cantidad de pérdida y desperdicio de alimentos (PDA) que se genera a escala mundial, sin embargo, se estima que se pierde el 14 % y se desperdicia el 17 % (FAO 2019) de la producción mundial de alimentos. La PDA provoca afectaciones económicas, ambientales y sociales en cada etapa de la cadena de suministro de alimentos (CSA) (Alamar et al. 2018). Las causas de PDA son diversas y dependen del contexto en el que se producen, como aquellas relacionadas con la naturaleza del producto y con la etapa de la CSA (Verma et al. 2019). En países desarrollados las causas que originan mayor desperdicio aparecen durante el consumo, y en países en desarrollo este desperdicio es en las fases previas al consumo (Lipinski et al. 2013). En los hogares, estas causas pueden ser la falta de planificación, compras por impulso y ofertas promocionales de alimentos, preparación de comida en exceso (Joardder y Masud 2019); tamaño inadecuado de paquetes de alimentos (Spang et al. 2019); entre otras.
De manera análoga, la generación de residuos sólidos urbanos (RSU) está influenciada por condiciones económicas, estándares de vida, urbanización y población (Kawai y Tasaki 2015). En los países en desarrollo existe una alta densidad poblacional en las áreas urbanas, acompañada de cambios de comportamiento y estilo de vida de los consumidores, que han incrementado la generación de RSU (Erasu et al. 2018). Por ejemplo, la región de América Latina y el Caribe es la más urbanizada de estos países, con el 80 % de su población viviendo en áreas urbanas (Rondón Toro et al. 2016). Entre las principales razones por las que los RSU, y particularmente los residuos de alimentos, son problemáticos en los países en desarrollo, responde al rápido crecimiento de urbanización y poblacional, provocando mayores problemas de gestión de residuos (Leal Filho et al. 2016). La composición de los residuos varía según el ingreso (Nanda y Berruti 2020). Por ejemplo, en países de ingresos medios y bajos, los residuos orgánicos representan más del 50 % del total de RSU generados, mientras que en países de renta alta es aproximadamente el 32 % (Cayumil et al. 2021).
Para el presente estudio se escogió al Distrito Metropolitano de Quito (DMQ), debido a su condición de capital del Ecuador. Además, para 2020 se proyectaba como la ciudad más poblada del país, con 2 781 641 habitantes, y con una producción de 2000 t/diarias de residuos sólidos. En este contexto, la concentración poblacional en el DMQ, debido al dinámico encadenamiento productivo, ha ocasionado mayor generación de residuos, con relación directa entre la cantidad poblacional y la cantidad generada de residuos. En 2018, la densidad poblacional de Quito fue de 4247,98 hab./km2 y la producción de RSU 2367,33 t/día. La presión que ejerce la cantidad de RSU sobre la superficie del DMQ está entre 0,33 a 0,88 t/km2, por la gran generación de residuos en proporción a su área de extensión (Soliz Torres et al. 2020).
La gestión de RSU aborda perspectivas de protección de la salud humana, medioambientales y de conservación de recursos, y las prioriza de acuerdo con el nivel de vida del entorno en el que se implementan. En países en desarrollo, se prioriza el incremento de la cobertura del servicio de recolección de residuos, mientras que en los países desarrollados o en transición se busca minimizar la generación, y se promueve la prevención y recuperación de recursos (Turcott Cervantes et al. 2018).
A través del análisis integrado del metabolismo societal y ecosistémico (MuSIASEM) se han propuesto indicadores de gestión de RSU y un análisis multiescala que describen patrones de gestión de residuos (D'Alisa, Di Nola y Giampietro 2012). El MuSIASEM se ha desarrollado con la integración de conceptos teóricos de diferentes campos: teoría de los sistemas complejos, bioeconomía y la termodinámica de no equilibrio aplicada al análisis ecológico (Giampietro, Mayumi y Ramos-Martín 2009). El MuSIASEM es un marco contable establecido para abordar el patrón metabólico de los sistemas socioecológicos en diferentes niveles jerárquicos, escalas y dimensiones de análisis: económico, social, demográfico, ecológico (Giampietro, Mayumi y Çorman 2013); y considera para el análisis factores heterogéneos como la dinámica de la población, recursos energéticos, variables económicas y cambios en el uso de la tierra (Giampietro y Bukkens 2015). En las diferentes escalas del MuSIASEM son: N considera a toda la sociedad y N-1 a una desagregación de la sociedad, entre actividades de producción y consumo para obtener una perspectiva de las características de los diferentes compartimentos de la sociedad y las relaciones mutuas que existe entre ellos. Las descripciones multinivel, juntamente con información cuantitativa de los elementos biofísicos y socioeconómicos, sirven para investigar las relaciones entre los seres humanos y el entorno natural (Andreoni 2017).
El propósito de esta investigación es evaluar los factores que inciden en el desperdicio de alimentos en los hogares del DMQ y caracterizar su gestión de residuos sólidos urbanos. Esto permitirá identificar acciones de prevención y reducción de desperdicio de alimentos que contribuyan a disminuir las afectaciones derivadas del desperdicio y favorezcan la gestión de RSU.
Marco teórico
En la fase de consumo de la CSA, el desperdicio de alimentos representa un problema complejo y multifacético, ya que inciden factores culturales, sociales, políticos, económicos y geográficos, cognitivos, motivacionales, entre otros (Aschemann-Witzel et al. 2015). El desperdicio de alimentos en el hogar es el resultado de la interacción de múltiples comportamientos, así como de las actividades de compra, almacenamiento y preparación de alimentos (Liegeard y Manning 2020). A pesar de la afectación del desperdicio de alimentos en diferentes ámbitos, aún existe falta de consenso respecto a sus causas y otros aspectos (Gaiani et al. 2018). La problemática del desperdicio de alimentos a nivel del consumidor es un tema de investigación y de discusión y análisis (Secondi, Principato y Laureti 2015).
Principato et al. (2020) plantean un marco teórico para conceptualizar y explicar el comportamiento relacionado con el desperdicio de alimentos en los hogares. Este marco aborda, en conjunto, factores demográficos y socioe conómicos, conductuales y psicológicos; así como los procesos en la toma de decisiones del consumidor y de gestión de alimentos: planificación, almacenamiento, preparación y eliminación. El Panel de Expertos de Alto Nivel (HLPE) sobre Seguridad Alimentaria y Nutrición (HLPE 2014) clasificó las causas del desperdicio de alimentos en tres niveles: micro, meso y macro, de acuerdo con su complejidad y la relación con otras causas. Esta categorización permite diferenciar el carácter circunstancial del estructural de las causas del desperdicio de alimentos.
Diaz-Ruiz et al. (2019) amplían la clasificación anterior: micro, meso, y macro, para lograr una mejor descripción de las causas de desperdicio de alimentos. Estos tres niveles se subdividen en cuatro categorías adicionales: causas tecnológicas, económicas y de gestión empresarial, regulatorias y de política, y de apreciación y mejora. Los autores Aschemann-Witzel et al. (2015) sugieren agrupar e identificar los factores sociodemográficos y psicográficos en torno al desperdicio de alimentos en la etapa de consumo y otorgan mayor ponderación a los psicográficos, ya que predisponen el comportamiento de los consumidores en hogares y puntos de venta. Secondi, Principato y Laureti (2015) hicieron una propuesta de clasificación de las causas de desperdicio de alimentos divididas en categorías de variables contextuales e individuales. Las primeras abordan factores políticos, socioeconómicos, culturales y el contexto tecnológico e industrial. Las segundas son las características demográficas, valores, actitudes y tiempo utilizado para comprar, preparar, almacenar alimentos, estilos de vida, entre otros.
Stangherlin y De Barcellos (2018) mencionan que las variables que afectan el desperdicio de alimentos se pueden clasificar en factores sociales, personales y de comportamiento. Los primeros se relacionan con factores socioculturales y de venta minorista, que influyen en las personas. Los factores sociales se agrupan en histórico, normativo y factores de la CSA. Los factores personales se refieren a las características de los hogares e influencias psicológicas de cada persona, y se clasifican en demográficos y psicológicos. Los factores de comportamiento tienen relación directa con el ciclo de compra y consumo de alimentos; se dividen en planificación, compra, almacenamiento, preparación, consumo, almacenamiento de sobras y eliminación. Roodhuyzen et al. (2017) proponen un marco conceptual para explicar los factores potencialmente relacionados con el desperdicio de alimentos del consumidor, destacan los factores de comportamiento, personales, de producto y sociales. Estas categorizaciones contienen subgrupos, como factores sociales, normativos y tecnológicos; y los personales, en factores demográficos y socioeconómicos.
Por su parte, la rápida urbanización, el crecimiento poblacional y la economía próspera han incrementado la generación de RSU. Se ha estimado que a nivel mundial se producen alrededor de 1300 millones t/año de residuos y se espera que alcance las 2200 toneladas para 2025 (Kamarehie et al. 2020). Actualmente, cinco países en desarrollo: China, India, Brasil, Indonesia y México se encuentran entre las diez principales naciones generadoras de RSU (Nanda y Berruti 2020). El volumen de generación de RSU se puede ver afectado por diversos factores, como población, densidad poblacional, edad, composición familiar, niveles de ingreso; económicos, tecnológicos, sociales y de comportamiento del consumidor, patrones de consumo, estilos de vida, patrones de eliminación (Cayumil et al. 2021).
Los RSU son conocidos comúnmente como basura y están compuestos de restos de comida, empaques de productos, residuos de jardinería, muebles, ropa, botellas, electrodomésticos, baterías, entre otros. Esta composición depende de factores relacionados con los estilos de vida de la población, patrones generales de consumo y nivel de avance tecnológico de un país en particular (Cheremisinoff 2003). Se estima que esta composición, en porcentaje de peso, corresponde al 25-35 % de desperdicio de alimentos; papel 2535 %; y plásticos 7-10 %, entre otros. A nivel internacional, la composición de residuos más alta corresponde a los alimentos y residuos verdes, con 44 % de los desechos mundiales. Los materiales reciclables secos (plástico, papel y cartón, metal y vidrio) representan el 38 % de los residuos (Kaza et al. 2018). En el DMQ, la composición de RSU generados contiene 69,31 y 30,69 % de residuos orgánicos e inorgánicos, respectivamente (Moya et al. 2017).
La gestión de residuos sólidos refiere a la generación, almacenamiento, recolección, transferencia y transporte, procesamiento y evacuación de residuos sólidos conforme a consideraciones ambientales, económicas y sociales (Tchobanoglous, Theisen y Vigil 1994). La relevancia que se otorga a los problemas de gestión de residuos sólidos se relaciona con el nivel de vida del entorno en que se implementa. En países en desarrollo se busca incrementar la cobertura del servicio de recolección y reducir los vertidos incontrolados o ilegales, mientras que en países desarrollados o en economías en transición se prioriza la minimización de generación, y se busca prevenir y recuperar recursos a través de tratamientos térmicos y mecánicos (Turcott Cervantes et al. 2018).
Respecto al enfoque del metabolismo social, se puede mencionar que el metabolismo es un concepto biológico que se refiere a los procesos internos de un organismo vivo. Los organismos intercambian continuamente materiales y energía con el medioambiente para asegurar su existencia continua. De manera similar, los sistemas socioeconómicos extraen materias primas de su entorno natural y las transforman en productos y servicios y, finalmente, en desechos y emisiones (Fischer-Kowalski y Haberl 1997). Los términos de metabolismo endosomático y exosomático fueron introducidos por Georgescu-Roegen (1975), basándose en Lotka (1956), para referirse a los flujos de energía y de insumos materiales transformados bajo el control humano dentro del proceso socioeconómico. El modelo de flujo/fondo propuesto por Georgescu-Roegen representa los procesos socioeconómicos de producción y consumo de bienes y servicios (Giampietro, Mayumi y Ramos-Martín 2009). Los elementos del fondo están asociados a la identidad del sistema, definiendo qué es el sistema, y conservan su identidad durante el análisis; transforman los flujos de entrada en flujos de salida en la escala de tiempo de la representación. Los elementos de flujo definen lo que hace el sistema; es decir, los flujos aparecen o desaparecen durante el análisis (Serrano-Tovar y Giampietro 2014).
Materiales y métodos
En el DMQ, durante 2020, se recolectaron aproximadamente 713 000 t de RSU, cifra similar a la de 2019, con 736 000 t (EMASEO EP 2021). Se estima que el 51,36 % de estos RSU provino de residuos de alimentos, y los hogares del DMQ concentraron la mayor parte de estos, en relación con mercados, sector comercial y otros generadores (Castillo 2012). La figura 1 muestra el DMQ distribuido en administraciones zonales.
Para atender el primer objetivo del presente estudio, se aplicó un método de investigación cuantitativo de tipo exploratorio (Gupta 2013). El diseño de la muestra se realizó conforme a las condiciones de emergencia sanitaria por el COVID-19. Por tanto, la información fue levantada a través de un cuestionario en línea, utilizando la plataforma Google Forms, y enviada a una base de datos compuesta de 18 000 registros. El cuestionario, vía enlace, se dirigió a residentes del DMQ, mayores de 17 años y encargados de la preparación de los alimentos en el hogar, obteniéndose 569 respuestas que cumplieron con los criterios del estudio. La aplicación del formato en línea fue una encuesta autoseleccionada, sin restricciones, de muestreo no probabilístico (Couper 2000), por cuotas y realizadas del 1 al 11 de octubre de 2020. El cuestionario estuvo compuesto por preguntas sociodemográficas: edad, tamaño del hogar, ubicación del hogar por administración zonal, frecuencia de compra de alimentos, gasto en alimentos y bebidas no alcohólicas en el último mes, ingresos del hogar, ocupación, estado civil, nivel de educación y estimación de desperdicio de alimentos diario; y con preguntas tipo escala Likert relativas a factores que inciden en el desperdicio de alimentos: planificación, compra, al macenamiento, preparación y consumo, eliminación, tecnología y normativa. Las preguntas tipo escala Likert se encuentran en el anexo 1.
Tratamiento estadístico de datos
El tratamiento estadístico incluyó el análisis exploratorio de datos y el análisis de asociación a través del cálculo del estadístico chi-cuadrado (Verma 2013). Las asociaciones evaluadas fueron: a) ubicación del hogar por administración zonal-desperdicio total de alimentos diario; y, b) gasto en compra de alimentos y bebidas no alcohólicas en el último mes-ingreso del hogar en el último mes. En el caso de las preguntas tipo Likert, se realizó el cálculo del coeficiente de correlación policórica (Roscino y Pollice 2006). Posteriormente, se identificaron las relaciones representativas considerando coeficientes sobre un umbral de 0,5. Estas sirvieron para estructurar un gráfico de red que identificó las principales relaciones entre los factores de desperdicio de alimentos en hogares. En el análisis se utilizó el software R y la librería de este software, denominada polycor (Fox 2019).
El segundo objetivo abordó el enfoque del metabolismo social para caracterizar la gestión de RSU en el DMQ. La información utilizada para cumplir con el segundo objetivo fue secundaria y compartida por EMASEO EP. Esta información corresponde a la superficie por administración zonal, y a la recolección de residuos sólidos domiciliarios y asimilables a domiciliarios por administración zonal del período 2012-2021. La población de cada administración zonal se calculó utilizando una proyección a 2021, con base en registros de consumo de agua por administración zonal (trabajo no publicado). Se realizó un análisis estadístico descriptivo de esta información a través del software Excel.
Esta información fue la base para vincular con el trabajo de D'Alisa, Di Nola y Giampietro (2012) respecto a la caracterización de la RSU, a través del análisis multiescala y obtención de indicadores del patrón metabólico, como la tasa metabólica de residuos (TMR) y la densidad de residuos generados o eliminados (DRG, DRE). El primer indicador mostró el ritmo de generación o eliminación de residuos por actividad humana medido en t/año en los niveles de análisis; y el segundo, la cantidad de residuos generados o eliminados por día en un área determinada, expresado en kg/día/km2. Respecto a los elementos de fondo, se utilizaron la actividad humana total (AHT) y la superficie (S). La primera determinó la cantidad total de horas del sistema en un año, la segunda consideró el área del sistema bajo análisis expresada en km2. Los elementos de flujo utilizados fueron los residuos generados (RG) y los residuos eliminados (RE) por el sistema, medidos en toneladas (t).
Para efectos del cálculo se realizaron los siguientes supuestos:
Los RSU recolectados son, aproximadamente, 84,57 % RSU generados (DMQ Secretaría de Ambiente 2015).
-
Cantidad de RSU eliminados = 98,4 % RSU generados (DMQ Secretaría de Ambiente 2015).
-
Actividad Humana (AH) = Población * 24 h * 365 días. Pasos:
1. Tasa metabólica de residuos generados (TMRGi * t/año). RGi*/AHi* = TMRGi* (relación flujo/fondo).
RG = Residuos Generados. AH = Actividad Humana.
La TMR se refiere al comportamiento de la población y su tasa de metabolismo de generación de residuos conforme a sus actividades.
2. Tasa metabólica de residuos eliminados (TMREi * t/año). REi*/AHí* = TMREi (relación flujo/fondo).
RE = Residuos Eliminados. AH = Actividad Humana.
La TMRE se refiere a la carga ambiental en términos de capacidad de absorción (sink capacity) requerida, asociada a una hora de actividad humana.
3. Densidad de residuos eliminados (DRE) kg/día/km2. REi*/Si* = DREi* (relación flujo/fondo)
RE = Residuos Eliminados. S = Superficie.
La DRE indica la tasa de residuos eliminados en un área determinada. *i = corresponde a los diferentes niveles jerárquicos.
Resultados
La figura 2 muestra la generación de RSU de las administraciones zonales en el DMQ entre 2012-2021. La mediana más representativa respecto a esta generación corresponde a Eugenio Espejo, con 141 470; lo contrario ocurre en Tumbaco, con 30 240, lo que implica niveles de generación de RSU mayor y menor de las administraciones referidas. Respecto al rango intercuartílico, la menor dispersión de datos se observa en los Chillos y Tumbaco; lo contrario sucede en Quitumbe y Eugenio Espejo. No se observan datos atípicos, por tanto, el comportamiento de la población respecto a la generación de RSU es simétrico.
La tabla 1 muestra las estadísticas descriptivas del conjunto de datos analizados de generación de RSU 2012-2021.
Tabla 1 Estadísticas descriptivas de generación de residuos sólidos urbanos por administración zonal, 2012-2021
La tabla 2 presenta el análisis multiescala de la cantidad de generación de RSU del DMQ desagregado por niveles. En el nivel n, los residuos generados (RG) del DMQ fueron de 676 240 t/año; y el indicador de residuos generados per cápita (RGpc) de 0,22 t/cápita/año, equivalente a 0,50 kg/cápita/ día. En el nivel n-3 de las administraciones zonales, Eugenio Espejo generó la mayor cantidad de residuos de todo el DMQ, 141 740 t/año, seguido de Eloy Alfaro, 104 232 t/año; mientras que las de menor generación fueron: Tumbaco, 30 217 t/año y los Chillos, 32 316 t/año. En cuanto al indicador RGpc se observó que Eloy Alfaro y Eugenio Espejo obtuvieron 0,22 y 0,21 t/ cápita/año, respectivamente. En tanto que Tumbaco y los Chillos obtuvieron resultados similares, 0,11 t/cápita/año.
La cantidad de residuos eliminados (RE) en n-3 es similar a la de residuos generados (RG), ya que el porcentaje de recuperación para reciclaje es del 1,6 %, por tanto, se descuenta ese porcentaje de las cantidades generadas por las administraciones zonales.
Los indicadores del patrón metabólico de fondos y flujos del sistema en n-3 mostraron que la tasa metabólica de residuos (TMR) más significativa fue de Eloy Alfaro con 2,47E-05 t/año, seguida de Eugenio Espejo con 2,45E-05 t/año; lo contrario presentó Tumbaco con 1,22E-05 t/año. Cifras similares mostró el indicador de la tasa metabólica de residuos. Respecto a la DRE, los indicadores más representativos corresponden a Quitumbe y Manuela Sáenz, con 885,53 t/año/km2 y 857,17 t/año/km2, respectivamente.
Acerca de los resultados del segundo objetivo, la tabla 3 indica las principales características de la muestra en hogares del DMQ.
Análisis de asociación entre variables
Análisis de dependencia
La tabla 4 indica el análisis de dependencia de los resultados de la prueba estadística chi-cuadrado entre variables sociodemográficas de la muestra.
Tabla 3 Principales características socio-demográficas de la muestra
Tabla 4 Análisis de dependencia entre variables sociodemográficas
Los p-valores obtenidos en las pruebas estadísticas realizadas arrojan valores mayores a 5 %, lo que motiva a no rechazar la hipótesis nula de independencia entre variables. Por lo tanto, no existe asociación entre estas variables. Lo contrario se produce con p-valores menores a 5 %.
Relaciones policóricas entre variables
La figura 3 es un gráfico dinámico que muestra las correlaciones obtenidas más relevantes de las preguntas tipo Likert identificadas como variables. Se adjunta el vínculo y la imagen referencial de esta figura: https://bit.ly/3S2PcB0.
En las correlaciones presentes en el centro de la figura 3 destacan las siguientes: variable que busca la reducción del desperdicio de alimentos con variables de compra de cantidad necesaria de alimentos, control del stock, planificación de la compra de alimentos frescos, como hortalizas, y la compra de cantidad disponible. Otra correlación es la planificación de compras en función de la cantidad disponible, con las variables de planificar compras de alimentos por medio de lista de compras, de almacenamiento, de control de stock, claridad de fecha de caducidad y la planificación frecuente de comidas en el hogar con otras variables, como las habilidades para preparar alimentos y el conocimiento sobre cómo preparar la mayoría de los alimentos. Otras correlaciones que se muestran en el lado inferior derecho de la figura 3 son las variables de apertura para capacitación y conocimiento.
Discusión de resultados
La TMR y la TMRE refieren al comportamiento de la población y la ratio de desperdicio de acuerdo con sus actividades. La DRE está relacionada con la densidad de población y las presiones ecológicas de cada zona (D'Alisa, Di Nola y Giampietro 2012). Estos indicadores obtenidos podrían asociarse con la mayor concentración empresarial en Eugenio Espejo: 28 %, Eloy Alfaro: 20 %, Manuela Sáenz: 16 %, y Quitumbe: 11 % (Municipio del DMQ 2014); y con problemáticas de gestión de residuos en Eugenio Espejo y Eloy Alfaro, que podrían referir a las fases de generación y recolección, ya que no incluye diferenciación de residuos en el sistema de gestión. En Manuela Sáenz tienen inconvenientes con el espacio público, la seguridad y el comercio informal. Este último estaría conforme a las características de densidad poblacional, patrones de consumo y eliminación de residuos. Quitumbe y Calderón adolecen de crecimiento urbano y legalización de tierras (Municipio del DMQ 2021).
La tasa de generación de residuos en el DMQ fue de, aproximadamente, 0,50 kg/cápita/día. Indicadores cercanos a esta tasa reportan los estudios de Kaza et al. (2018) en Ecuador, con 0,89 (kg/cápita/día); en Latinoamérica y el Caribe, 0,99 kg/cápita/día, en promedio; y, el promedio mundial 0,74 kg/ cápita/día. Según Poma et al. (2021), en Ecuador la producción per cápita de residuos sólidos (PPC) en el área urbana es de 0,84 (kg/habitante/diario). La variación en los patrones de producción y gestión de residuos responde a la situación económica de los países. En países subdesarrollados y en desarrollo existen carencias de infraestructura y canales adecuados de procesamiento de desechos, mientras que los desarrollados presentan un uso indiscreto de recursos (Das y Bhattacharyya 2015). En este contexto, la generación de RSU provoca efectos ambientales negativos que contribuyen al cambio climático.
El análisis de dependencia encontró una asociación entre el gasto en compra de alimentos y bebidas no alcohólicas en el último mes-ingreso del hogar; respecto a esta relación, el trabajo de Oña-Serrano et al. (2022) confirma un hallazgo similar.
Las correlaciones encontradas entre la planificación de compras de alimentos y el stock de alimentos disponible son sustentadas en los estudios de Abeliotis, Lasaridi y Chroni (2016). La planificación de compras de alimentos y reducción del desperdicio de alimentos concuerda con los hallazgos de Flanagan y Priyadarshini (2021); así como la compra de cantidades necesarias de alimentos que contribuye a no desperdiciar alimentos en los resultados del estudio de Aydin y Yildirim (2021). En referencia a las variables de planificación de compras, en función de la cantidad disponible, con las variables de planificar compras de alimentos por medio de lista de compras, de almacenamiento, de control de stock, claridad de fecha de caducidad (Abeliotis, Lasaridi y Chroni 2016), Cicatiello, Secondi y Principato (2019) resaltan el efecto positivo del uso de la lista para disminuir el desperdicio de alimentos en el hogar. Quested et al. (2011) mencionan que la organización correcta de alimentos, acorde con categorías, es coherente con la reducción del desperdicio de alimentos. HLPE (2014) señala que la verificación del stock de alimentos evita el desperdicio y los estudios de Manzocco et al. (2016) resaltan sobre la claridad de fechas de caducidad, ya que la falta de comprensión provoca desperdicio de alimentos. El presente estudio detectó que todas las anteriores correlaciones corresponden a factores de planificación, compra, almacenamiento, preparación y consumo, y eliminación.
En torno a las variables de apertura para capacitación y conocimiento, destaca que el conocimiento sobre tecnología para prevenir y reducir el desperdicio de alimentos -como refrigeradores inteligentes que alertan sobre el estado de los alimentos a través de códigos de barras o tecnología de identificación por radiofrecuencia (RFID) (Cavaliere y Ventura 2018)-, el uso de tecnologías emergentes en conjunto: aplicaciones (apps), basureros inteligentes y comida compartida (Lim et al. 2017), el desarrollo de apps, como Foodkee-per, que suministra consejos para cocinar y almacenar alimentos, y la creación de dispositivos electrónicos para absorber gas etileno y evitar la maduración de frutas y verduras (Porat et al. 2018) son considerados fundamentales para mejorar la gestión de alimentos. La presente investigación identificó que las variables mencionadas reflejan la correlación de factores de eliminación y tecnología.