Salta al contenuto principale

7.3.3.1 Too Good To Go: impatto ambientale, economico e Rebound Effect

Al fine di analizzare l’impatto ambientale[1] e, quindi, il risparmio di carbonio (Carbon Footprint) e di acqua (Water Footprint), associato all’utilizzo dell’App Too Good To Go, sono stati utilizzati i dati forniti da TGTG relativi ai punti vendita aderenti all’iniziativa e presenti nella Città Metropolitana di Roma Capitale.

Dai dati forniti sono state selezionate nove categorie di negozi: pizzeria/forno, pasticceria, macelleria, bar/caffè, fast food/pizzeria, pescheria, alimentari di frutta e verdura, supermercato e sushi. In ognuna di queste categorie[2], sono stati selezionati alcuni piatti pronti a titolo esemplificativo (ad esempio pizza, torte), e sono state calcolate le impronte ecologiche delle ricette di alcuni piatti (ad es. lasagna, cannolo, sushi). Dal calcolo delle impronte ecologiche, è possibile capire quanta acqua e carbonio è stata “salvata” attraverso la vendita delle eccedenze.

Per quanto riguarda il carbon footprint riferito ad ogni categoria, la tabella 7.13 evidenzia i valori più alti nella categoria “macelleria” e “supermercati”, mentre il valore più basso negli “alimentari di frutta e verdura”. Ne consegue che l’utilizzo dell’app permette di salvare 13.5 kg di CO2 per ogni Kg di alimento nel reparto “macelleria” e 8,4 Kg di CO2 per ogni Kg di alimento nel settore “supermercati”

Tabella 7.13: Media di Carbon footprint negozi TGTG (kg CO2 eq/kg o litro di bene alimentare). Fonte: Elaborazioni CURSA su database Too Good To Go e BCFN

Tipo di negozio

Media Carbon footprint (kg CO2 eq/kg di alimento)

Pasticceria

1.9

Macelleria

13.5

Bar/Caffetteria

2.9

Pizzeria/Forno

3.8

Pescheria

5.5

Alimentari di Frutta e verdura

0.5

Pasticceria/forno

3.1

Supermercato grande

8.4

Supermercato medio

8.4

Supermercato piccolo

8.4

Sushi

1.9

Per quanto riguarda il water footprint riferito ad ogni categoria, la tabella 7.14 evidenzia, anche in questo caso, i valori più alti nella categoria macelleria e supermercati, mentre il valore più basso negli alimentari di frutta e verdura. Attraverso l’utilizzo dell’App è possibile salvare 12.102 litri di acqua per ogni Kg di alimento presente nel reparto “macelleria” e 5.071 litri di acqua per ogni Kg di alimento nel settore “supermercati”.

Tabella 7.14: Media di Water footprint negozi TGTG (litri di acqua/kg or litro di bene alimentare). Fonte: Elaborazioni CURSA su database Too Good To Go e BCFN

Tipo di negozio

Media Water footprint (L acqua/Kg di alimento)

Pasticceria

2.712

Macelleria

12.102

Bar/Caffetteria

2.632

Pizzeria/Forno

3.605

Pescheria

2.867

Alimentari di Frutta e verdura

322

Pasticceria/forno

2.632

Supermercato grande

5.071

Supermercato medio

5.071

Supermercato piccolo

5.071

Sushi

1.565

In relazione all’impatto economico associato all’utilizzo dell’App TGTG, il risparmio medio potenziale, acquistando la magic box tramite l’App Too Good To Go è di circa il 60% rispetto al prezzo pieno dei prodotti offerti[3]. Nonostante l’utilizzo dell’App Too Good To Go consenta un risparmio effettivo e, quindi, un accesso più sicuro al cibo, una distribuzione spaziale non omogenea dei negozi aderenti, ne compromette il suo utilizzo sociale.

Infatti, come possiamo notare dalla cartografia risultante dell’incrocio della mappa sulla distribuzione degli stores aderenti a TGTG, con la mappa dell’indice di accessibilità economica a una dieta sana e green, la quasi totalità dei Comuni (ad eccezione di Roma, Fiumicino e Palestrina) si caratterizzano per una evidente criticità di accesso economico al cibo combinata ad un’assenza di stores TGTG.

Figura 7.14 Accessibilità al cibo e presenza di negozi Too Good To Go nella Città Metropolitana di Roma Capitale. Elaborazione CURSA su dati TGTG e Indice di Accessibilità
+ -

L’utilizzo dell’App TGTG consente di evitare di gettare nella spazzatura gli alimenti invenduti, con un evidente impatto ambientale, ma al tempo stesso, il suo utilizzo può generare degli effetti rebound, dal momento che i fruitori dell’App andranno a spendere i “soldi risparmiati” in altri beni più “impattanti”.

A livello teorico, è stato calcolato l’effetto rebound per l’uso di TGTG, utilizzando -come referenza- delle analisi condotte per studi simili (Chitnis et al., 2014[4]; Gallo, 2021). L’analisi è stata effettuata seguendo l’equazione per il rebound effect di Hagedorn and Wilts (2019):

Il numeratore descrive le emissioni di gas serra (Greenhouse gas – GHG) causate dallo spendere i risparmi monetari (misurati in euro) derivanti dalla prevenzione dello spreco alimentare, e include la struttura dei consumi e il relativo impatto ambientale. In particolare, a rappresenta la spesa per categoria di consumo mentre δ è la rispettiva intensità di emissioni. Inoltre, il denominatore descrive le emissioni di gas serra derivanti dalla riduzione degli sprechi alimentari che potrebbero essere potenzialmente evitate: nel dettaglio, S determina il risparmio monetario totale derivante dalla prevenzione dello spreco alimentare per famiglia, mentre δfood (cibo) è l'impatto ecologico relativo di cibo e bevande analcoliche, misurate in kg di CO2/euro.

Nella tabella sottostante sono riportati i valori utilizzati per i calcoli del rebound effect. Utilizzando questi valori e considerando un 60% come percentuale media di risparmio monetario usufruendo dell’App TGTG (come spiegato in precedenza), il valore teorico di rebound effect risulta del 59%. Questo valore è in linea con quelli precedentemente calcolati in altri studi simili.

Tabella 7.15 Valori per il calcolo del Rebound Effect. Fonte: Elaborazioni CURSA su dati Gallo (2021)

 

Emissioni Gas serra (Kg CO2-eq/euro)

Media di spesa per nucleo familiare al mese Italia (2019)

Alimentare

0.83

464.27

Non alimentare e bevande alcooliche

0.29

178.14

Servizi

0.08

129.98

Vestiti e scarpe

0.27

114.65

Spese per casa (Affitto, energia etc)

0.44

896.05

Arredamento

0.23

109.97

Sanità

0.18

118.33

Trasporti

0.79

288.39

Cultura e tempo libero

0.27

127.01

[1] Nel caso di supermercati, alimentari di frutta e verdura, è stata calcolata una media tra vari alimenti.
[2] Come principali database sono stato utilizzati: il “SuEatableLife_Food_Footprint_database” di Barilla Foundation and Research Unit on Nutrition University of Naples Federico II (2021); e il database dell’Università di Copenhagen (UCPH database of food emission factors, 2020). 
[3] Questi dati sono frutto di una approssimazione calcolata sulla base dei prezzi presenti sull’App.
[4] Chitnis, M. et al. (2014) ‘Who rebounds most? Estimating direct and indirect rebound effects for different UK socioeconomic groups’, Ecological Economics, 106, pp. 12–32. doi: 10.1016/j.ecolecon.2014.07.003.