Einleitung
Die Verschwendung von Lebensmitteln bedeutet nicht nur einen direkten Verlust an Nährwert, sondern auch an Ressourcen, welche zur Herstellung benötigt werden. Laut einer Datenerhebung des Statistischen Bundesamtes von 2020 werden jährlich fast 11 Millionen Tonnen Lebensmittel als Abfalle entsorgt, davon mehr als die Hälfte von Privathaushalten. Das wollten wir uns genauer ansehen.
Methodik – Wie sind wir vorgegangen?
Zuerst haben wir uns auf die Suche nach Daten begeben. Es gibt zwar eine ganze Reihe Zusammenfassungen und Analysen von verschiedenen Institutionen, doch Datensätze mit Rohdaten waren meist nicht darunter. Unsere genauen Ziele für das Projekt haben wir daher dann an den verfügbaren Datensätzen festgemacht und uns letztendlich für die Betrachtung der Verschwendung von Lebensmitteln in Privathaushalten entschieden. Der verwendete Datensatz enthält die Ergebnisse einer Tagebuchstudie, in der Personen die Menge weggeworfenen Lebensmittel innerhalb einer Woche angegeben haben. Daneben beinhaltet der Datensatz eine Unterteilung der Lebensmittel in Kategorien und Angaben zum Hintergrund und Verhalten der Befragten.
Ziel unserer Analyse war, eine Übersicht für die User zu schaffen, mit der sie ihr Verhalten beim Lebensmittelverbrauch selbst besser einschätzen können. Dazu haben wir zunächst durch unterschiedliche statistische Tests (T-Test, Spearman, Pearson) die aufgeführten Variablen der Befragten analysiert, um herauszufinden, welche davon einen Einfluss auf das Verhalten bei der Verschwendung von Lebensmitteln haben könnten. Als statistisch relevant haben wir das Alter, die Haushaltsgröße, die Anwesenheit von Kindern unter 18 Jahren und die Tendenz, den Tellerinhalt komplett aufzuessen, ermittelt, auch wenn keine der Größen einen großen signifikanten Einfluss aufweist. Zu diesen Größen sollten die User ebenfalls Eingaben in der App machen können.
Die Ansicht der App für die User wird über Streamlit erstellt. Um die Eingaben übersichtlich von den Ergebnissen abzugrenzen, werden diese in einer sidebar eingefügt.
Im Hauptbereich der App werden die Ergebnisse der Analysen mittels statistischer und visueller Funktionen (Plotly, Numpy, SciPy, Statsmodels) dargestellt. Als erste Informationen sollten die User dort eine grafische Darstellung des Datensatzes erhalten, in die ihre persönliche Menge an weggeworfenen Lebensmitteln eingeordnet wird. Für eine genauere Einordnung wurde mittels statistischer Funktion ermittelt, wie groß der Anteil an Personen im Datensatz ist, die ebenso viel wegwerfen, wie die User.
Erweiterungen
Danach haben wir unsere App um weitere Funktionen ergänzt: Für die Vorhersage über die Lebensmittelverschwendung der Usergruppe wurde eine negative binominale Regression aus den relevanten Einflussgrößen gerechnet. User erhalten dadurch basierend auf persönlichen Angaben zu Alter, Haushaltsgröße und Co eine Prognose wie viel sie in einer Woche entsorgen.
Zusätzlich haben wir Tipps für weniger Lebensmittelverschwendung zusammengestellt. Je nachdem, ob ein User viel, normal viel oder wenig Lebensmittel entsorgt, werden unterschiedliche Tipps angezeigt. Die Unterteilung der drei Gruppen wurde nach Perzentilen basierend auf dem Datensatz vorgenommen. In dem Milestone-Recap-Event haben wir den Zwischenstand unseres Projekts vorgestellt und hilfreiches Feedback der anderen Techies erhalten. Den Vorschlag, den Datensatz um Userangeben zu erweitern, um genauere Analysen durch mehr Datenpunkte treffen zu können, war unser nächstes Ziel: Dazu haben wir uns mit PostgreSQL beschäftigt, um eine Datenbank zu erstellen, in der die eingegebenen User-Daten gespeichert werden. Die Konfiguration der Datenbank und die Übernahme der relevanten Werte aus den Rohdaten wurden dazu mittels Jupyter-Notebook vorgenommen. Die Datenbank läuft lokal auf dem Rechner des Users und kann um die Information des jeweiligen Users erweitert werden. Perspektivisch könnte die Datenbank online gehosted werden um den Vergleich zwischen vielen verschiedenen Nutzenden zu ermöglichen.
Ergebnis
Es war interessant zu sehen, dass unterschiedliche Faktoren, die Menge verschwendeter Lebensmittel in Privathaushalten beeinflusst. Besonders die Haushaltsgröße scheint ausschlaggebend für die Verschwendung von Lebensmitteln zu sein. Positiv hervorzuheben ist, dass ein 74.09% der Befragten in der Tagebuchstudie wenig Lebensmittel entsorgen (unter 500g). Wir hoffen, mit unserer Visualisierung und den Tipps, weitere Personen zu motivieren, ihre Abfälle zu reduzieren und bewusster mit Lebensmitteln umzugehen.
Learnings
Wir haben gelernt, dass der Bereich Lebensmittelverschwendung auf Nationaler Ebene sehr undurchsichtig ist. Wir durften bei der Recherche schnell feststellen, dass kaum Open Data für Lebensmittelabfälle zur Verfügung steht. Zudem haben wir gelernt, dass man selbst für ein relativ kleines Projekt viele unterschiedliche Bibliotheken miteinander kombinieren kann und wie diese in der praktischen Anwendung zusammenarbeiten. Aber auch, dass man mit bereits relativ wenig und einfachen Zeilen Code schon viele unterschiedliche Analysen von Daten vornehmen kann - sogar bei größeren Datensätzen, die zunächst unübersichtlich erscheinen. Wir haben außerdem gelernt, dass es durch einfache Softwareframeworks wie Streamlit und remote Repositories wie GitLab heutzutage für jeden möglich ist, interaktive Apps für die Visualisierung von Daten zu erstellen. In der Zusammenarbeit haben wir gelernt, wie wichtig es ist, Code ausführlich zu dokumentieren um die Logik des Programms für alle Projektteilnehmer verständlich zu machen. Es hat uns viel Spaß bereitet, mit unterschiedlichen Lösungsansätzen zu experimentieren und viele kleine Puzzleteile zu einem fertigen Endprodukt zusammenzufügen.
Team
Hannah Dessaul
Analyse der Rohdaten, UI, Userdateneingabe, Tipps, Regressions-Analyse, Präsentation
Julia Schulenberg
Analyse der Rohdaten, UI, Userdateneingabe, Tippintegration, statistischer Vergleich, Blog-Artikel
Sky Christmann
Analyse der Rohdaten, Datenbereinigung, Plot-Darstellung, Datenbankintegration, Integration der Regressionsanalyse
Mentor:in
Julia Norget
