印尼班達薩克蒂漁民對永續漁具認知之分析

2.1 研究區域與對象

研究於洛克蘇馬韋市的班達薩克蒂區進行。目標對象為在麻六甲海峽從事捕撈漁業的當地漁民。樣本取自該群體，以確保能代表社區的社會經濟多樣性。

2.2 資料蒐集與分析

透過問卷調查蒐集了關於漁民認知及社會經濟變數（收入、扶養人數、參與宣導計畫情況）的資料。分析使用了兩種關鍵統計工具：

• 組距公式： 用於分類和量化漁民認知程度（例如：低、中、高）。
• 斯皮爾曼等級相關： 一種無母數檢定，用於分析順序社會經濟變數與認知分數之間關係的強度和方向。相關係數 ($\rho$) 範圍為 -1 至 +1。

3.1 認知程度分析

漁民對永續漁具的整體認知程度被評定為高。使用組距公式計算，認知分數主要落在 >224-288 的區間內，顯示社區對環保漁具普遍持正面且接受的態度。

3.2 社會經濟相關性分析

斯皮爾曼等級相關揭示了特定的關係：

• 收入與扶養人數： 與對漁具選擇性的認知呈現低度正相關 ($\rho$ 介於 0.20-0.399)。收入較高/扶養人數較多，與對選擇性漁具的認同度略高相關。
• 宣導活動： 與對漁具安全性的認知呈現中度正相關 ($\rho = 0.571$)。參與過意識提升計畫的漁民對設備安全有更好的理解。
• 其他變數： 大多數其他社會經濟因素與整體認知呈現極低或無顯著相關性 ($\rho$ 接近 0，顯著性 > 0.05)。

4.1 核心洞察

本研究關鍵的發現並非漁民抗拒永續性——他們並非如此。高認知分數打破了這個迷思。真正的洞察是：採用的障礙在於務實的社會經濟考量，而非對環境的漠不關心。漁民透過風險（安全性）和效率（選擇性）的視角來看待漁具，這與生計穩定性直接相關。這與更廣泛的行為經濟學模型相符，例如塞勒與桑斯坦在《推力》一書中討論的模型，其中決策取決於情境，且通常優先考慮立即、有形的利益，而非抽象的長期收益。

4.2 邏輯脈絡

研究邏輯合理但線性：測量認知 → 與人口統計變數相關聯 → 識別驅動因素。它正確地將宣導活動識別為最強的相關因素，這是一個穩健且可行的發現。然而，此脈絡未能深入探討因果機制。為何宣導活動有效？是建立信任、展示經濟效益，還是降低了感知風險？本研究暗示但未剖析這個黑盒子，這是基於認知的相關性研究中常見的限制。

4.3 優點與缺陷

優點： 斯皮爾曼等級相關的應用適用於李克特量表調查所得的順序資料。將「選擇性」和「安全性」分離為關鍵認知維度，在分析上非常精準。聚焦於特定地區（班達薩克蒂）提供了國家級報告中常缺乏的寶貴細節。

關鍵缺陷： 顯而易見的問題是認知與實際行為之間的落差。高認知分數並不能保證漁具的採用。本研究缺乏行為結果的衡量，這是費希賓與阿耶茲的計畫行為理論所強調的一點。此外，收入的「低度」相關性可能具有誤導性；可能存在一個門檻效應，即只有在收入超過特定水準後，採用才變得可行，而線性相關可能忽略了這點。

4.4 可行建議

對於政策制定者和非政府組織，本研究提供了一份清晰的指引：

1. 重新定位宣導活動： 從通用的「永續性很好」訊息，轉向以漁具安全性和漁獲選擇性為重點的示範。利用受尊敬漁民之間的同儕學習。
2. 設計針對性補貼： 既然收入和扶養人數有影響，應建立有條件的補貼或微型信貸計畫，為規模較大、較脆弱的家庭降低前期成本障礙。
3. 試行行為推力： 不僅僅是測量認知，應運行試點計畫，將漁具取得與簡單的承諾或社會認可（例如「本月永續漁民」）相結合，以彌合意圖與行動之間的差距。
4. 以數據迭代： 將此研究視為基準。下一項研究必須衡量干預後的實際採用率，為計畫改進建立回饋循環。

5.1 統計方法

量化分析的核心依賴於斯皮爾曼等級相關係數，計算公式如下： $$\rho = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)}$$ 其中 $d_i$ 是第 $i$ 個觀察值對應變數的等級差，$n$ 是樣本數。此方法適用於順序資料（如認知分數），且為無母數方法，不假設常態分佈。認知程度的組距公式可能遵循簡單結構：$\text{組距} = \frac{\text{最高分} - \text{最低分}}{\text{類別數}}$，並據此定義類別（例如：低、中、高）。

5.2 分析架構範例

雖然PDF不涉及程式設計，但其分析邏輯可以框架化為預測認知驅動因素的決策樹模型：

# 介入設計概念架構（虛擬碼）
# 輸入：漁民社會經濟概況
profile = {
    'income_tier': 'medium',  # 例如：低、中、高
    'dependents': 4,
    'socialization_exposure': True
}

# 基於研究發現的決策邏輯
def recommend_intervention(profile):
    intervention = []
    
    # 優先順序1：利用宣導活動的相關性
    if profile['socialization_exposure'] == False:
        intervention.append('ENROLL_IN_PEER_DEMO_PROGRAM')
    
    # 優先順序2：針對選擇性的經濟障礙
    if profile['income_tier'] == 'low' and profile['dependents'] >= 3:
        intervention.append('SUBSIDIZED_GEAR_ACCESS')
        intervention.append('FOCUS_ON_SELECTIVITY_BENEFITS')
    
    # 優先順序3：通用的安全性訊息傳遞
    intervention.append('HIGHLIGHT_GEAR_SAFETY_FEATURES')
    
    return intervention

# 範例輸出
# 對於上述概況，輸出可能為：
# ['HIGHLIGHT_GEAR_SAFETY_FEATURES']
# （因為他們有宣導活動接觸且收入中等）

此架構將統計相關性轉化為可行的計畫邏輯，從分析邁向實施。