Analyse de la perception des pêcheurs sur les équipements de pêche durable à Banda Sakti, Lhokseumawe

2.1 Zone & Population d'étude

La recherche a été menée dans le sous-district de Banda Sakti, ville de Lhokseumawe. La population cible était constituée des pêcheurs locaux pratiquant la pêche de capture dans le détroit de Malacca. L'échantillon a été tiré de cette population pour assurer la représentation de la diversité socio-économique de la communauté.

2.2 Collecte & Analyse des données

Les données sur les perceptions des pêcheurs et les variables socio-économiques (revenu, nombre de personnes à charge, exposition aux programmes de sensibilisation) ont été collectées via des enquêtes. L'analyse a impliqué deux outils statistiques clés :

• Formule des classes d'intervalles : Utilisée pour catégoriser et quantifier le niveau de perception des pêcheurs (ex. : faible, moyen, élevé).
• Corrélation de rang de Spearman : Un test non paramétrique utilisé pour analyser la force et la direction de la relation entre les variables socio-économiques ordinales et les scores de perception. Le coefficient de corrélation ($\rho$) varie de -1 à +1.

3.1 Analyse du niveau de perception

Le niveau global de perception des pêcheurs concernant les équipements de pêche durable s'est avéré élevé. En utilisant la formule des classes d'intervalles, les scores perceptuels se situaient principalement dans la plage >224-288, indiquant une attitude généralement positive et réceptive envers les engins respectueux de l'environnement au sein de la communauté.

3.2 Analyse de corrélation socio-économique

La corrélation de rang de Spearman a révélé des relations spécifiques :

• Revenu & Nombre de personnes à charge : Ont montré une faible corrélation positive ($\rho$ dans la plage 0,20-0,399) avec la perception de la sélectivité de l'engin. Un revenu plus élevé/plus de personnes à charge était légèrement corrélé à une plus grande appréciation pour les engins sélectifs.
• Sensibilisation : Affiche une corrélation positive modérée ($\rho = 0,571$) avec la perception de la sécurité de l'engin. Les pêcheurs ayant participé à des programmes de sensibilisation avaient une meilleure compréhension de la sécurité des équipements.
• Autres variables : La plupart des autres facteurs socio-économiques ont montré une corrélation très faible ou non significative ($\rho$ proche de 0, significativité > 0,05) avec la perception globale.

4.1 Idée centrale

La découverte centrale de l'étude n'est pas que les pêcheurs résistent à la durabilité—ce n'est pas le cas. Les scores de perception élevés démentent ce mythe. Le véritable aperçu est que l'adoption est conditionnée par un calcul socio-économique pragmatique, et non par une apathie environnementale. Les pêcheurs voient l'engin à travers le prisme du risque (sécurité) et de l'efficacité (sélectivité), qui sont directement liés à la stabilité des moyens de subsistance. Cela correspond à des modèles plus larges d'économie comportementale, comme ceux discutés dans "Nudge" de Thaler & Sunstein, où la prise de décision dépend du contexte et priorise souvent les bénéfices immédiats et tangibles par rapport aux gains abstraits à long terme.

4.2 Enchaînement logique

La logique de la recherche est solide mais linéaire : mesurer la perception → corréler avec les données démographiques → identifier les facteurs déterminants. Elle identifie correctement la sensibilisation comme la corrélation la plus forte, ce qui est un constat robuste et actionnable. Cependant, l'enchaînement s'arrête avant d'explorer les mécanismes causaux. Pourquoi la sensibilisation fonctionne-t-elle ? Est-ce qu'elle construit la confiance, démontre un bénéfice économique ou réduit le risque perçu ? L'étude l'évoque mais ne dissèque pas cette boîte noire, une limitation courante dans les études corrélationnelles basées sur la perception.

4.3 Forces & Faiblesses

Forces : L'application de la corrélation de rang de Spearman est appropriée pour les données ordinales issues d'enquêtes à échelle de Likert. Isoler la "sélectivité" et la "sécurité" comme dimensions perceptuelles clés est analytiquement pertinent. Se concentrer sur une localité spécifique (Banda Sakti) fournit une granularité précieuse souvent absente des rapports au niveau national.

Faiblesses critiques : Le problème évident est l'écart entre la perception et le comportement réel. Des scores de perception élevés ne garantissent pas l'adoption de l'engin. L'étude manque d'une mesure des résultats comportementaux, un point souligné dans la théorie du comportement planifié de Fishbein & Ajzen. De plus, la corrélation "faible" du revenu est potentiellement trompeuse ; un effet de seuil pourrait exister où l'adoption ne devient viable qu'au-dessus d'un niveau de revenu spécifique, ce qu'une corrélation linéaire pourrait manquer.

4.4 Perspectives actionnables

Pour les décideurs politiques et les ONG, cette étude offre un guide clair :

1. Recadrer la sensibilisation : Passer d'un message générique "la durabilité est bonne" à des démonstrations axées sur la sécurité de l'engin et la sélectivité des captures. Utiliser l'apprentissage par les pairs avec des pêcheurs respectés.
2. Concevoir des subventions ciblées : Puisque le revenu et les personnes à charge comptent, créer des programmes de subventions conditionnelles ou de microfinance qui réduisent la barrière du coût initial pour les familles plus nombreuses et plus vulnérables.
3. Tester des incitations comportementales ("nudges") : Au lieu de simplement mesurer la perception, lancer des programmes pilotes combinant l'accès à l'engin avec des engagements simples ou une reconnaissance sociale (ex. : "Pêcheur durable du mois") pour combler l'écart entre l'intention et l'action.
4. Itérer avec les données : Considérer ceci comme une base de référence. La prochaine étude doit mesurer les taux d'adoption réels après l'intervention, créant une boucle de rétroaction pour l'amélioration des programmes.

5.1 Méthodologie statistique

Le cœur de l'analyse quantitative repose sur le coefficient de corrélation de rang de Spearman, calculé comme suit : $$\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}$$ où $d_i$ est la différence entre les rangs des variables correspondantes pour la $i$-ème observation, et $n$ est la taille de l'échantillon. Cette méthode est idéale pour les données ordinales (comme les scores de perception) et est non paramétrique, ne supposant pas une distribution normale. La formule des classes d'intervalles pour les niveaux de perception a probablement suivi une structure simple : $\text{Plage} = \frac{\text{Score Max} - \text{Score Min}}{\text{Nombre de catégories}}$, avec les catégories (ex. : Faible, Moyen, Élevé) définies en conséquence.

5.2 Exemple de cadre analytique

Bien que le PDF n'implique pas de programmation, la logique analytique peut être formulée comme un modèle d'arbre de décision pour prédire les facteurs déterminants de la perception :

# Cadre conceptuel pour la conception d'intervention (Pseudo-Code)
# Entrée : Profil socio-économique du pêcheur
profile = {
    'income_tier': 'medium',  # ex. : low, medium, high
    'dependents': 4,
    'socialization_exposure': True
}

# Logique de décision basée sur les résultats de l'étude
def recommend_intervention(profile):
    intervention = []
    
    # Priorité 1 : Tirer parti de la corrélation avec la sensibilisation
    if profile['socialization_exposure'] == False:
        intervention.append('ENROLL_IN_PEER_DEMO_PROGRAM')
    
    # Priorité 2 : Aborder les barrières économiques pour la sélectivité
    if profile['income_tier'] == 'low' and profile['dependents'] >= 3:
        intervention.append('SUBSIDIZED_GEAR_ACCESS')
        intervention.append('FOCUS_ON_SELECTIVITY_BENEFITS')
    
    # Priorité 3 : Message universel sur la sécurité
    intervention.append('HIGHLIGHT_GEAR_SAFETY_FEATURES')
    
    return intervention

# Exemple de sortie
# Pour le profil ci-dessus, la sortie pourrait être :
# ['HIGHLIGHT_GEAR_SAFETY_FEATURES']
# (Puisqu'ils ont été exposés à la sensibilisation et ont un revenu moyen)

Ce cadre traduit les corrélations statistiques en une logique de programme actionnable, passant de l'analyse à la mise en œuvre.