3.1 系群豐度變化
1986 至 2013 年之間每年平均 CPUE 範圍為 2.2 到 27 噸每船-天(t v-d−1)，平 均值為 11.4 t v-d−1，年間 CPUE 顯著地波動達 10 倍以上。 CPUE 於 1999 與 2008 年達到高峰，然而在兩個峰值之後都快速減少(Fig. 8)。 logU 的時間延遲自相關分 析顯示年與年間無顯著關聯性，顯示阿根廷魷之漁獲量沒有年間之交互作用(Fig.
9)。 1986 至 2013 年間平均每月 CPUE 顯示整個漁季自前一年 11 月至當年 9 月，
而主要的捕撈期間為 1 至 6 月(Fig. 10)。 9 月有少量漁獲而 10 月則完全沒有。 7 月 之後每月單位努力漁獲量相對較低，因此後續本研究就 logU 和環境變數的相關分 析中，針對當下漁季的環境因子分析，僅採用前一年 11 月到本年 6 月的資料進行 分析。
盒鬚圖揭示在某些特定年為離群值(Fig. 8)，其中 1999 與 2007 年為高離群值 年度，做為代表特高 系群 豐度年份，2004 年為低離群值年度，用於反映特低 系 群 豐度年份。 近 3 年中，2010 年歸類成中等至低 系群 豐度，2011 與 2012 年視 為普通年。
3.2 環境因子
3.2.1 CPUE 與環境因子相關分析
年度 CPUE(logU)與漁季前二年、前一年及當年度之各項環境因子相關分析顯 示，logU 與漁季當年度南方參考點 2 月到 4 月的 近表層水溫 為負相關(Table 1)。
logU 與漁季當年度 12 月 AAO 呈正相關。 將 logU 與前一年各月份環境因子(lag 1) 進行相關分析，結果顯示 logU 與漁季前一年 3 月南方及北方參考點的 近表層水 溫 皆呈負相關(Table 1)。 將 logU 與前二年各月份環境因子(lag 2)進行相關分析，
結果顯示 logU 和各月份 近表層水溫 沒有顯著相關，亦與各月份 SOI 沒有顯著相 關，但卻顯著地受前二年 11 月、12 月、3 月及 5 月的 AAO 影響。 其中 logU 與 漁季前二年 11 月與 12 月的 AAO 有負相關，而在 3 月及 5 月為正相關(Table 1)。
此外，logU 與漁季當年、前一年及前二年各月之 SBT 皆沒有顯著相關。
作業漁場之 近表層水溫 平均值，按照先前地學統計分析所採用年份排列(1999、
2004、2007、2010、2011、2012)，依序為 9.04 ± 1.59 (℃)，13.36 ± 1.23、9.53 ± 1.52、10.24 ± 1.29、11.31 ± 1.57 及 11.13 ± 1.74(Fig. 11)。 年內變異值為約 1.5
℃，然而年間平均 近表層水溫 呈現顯著差異。 年平均 近表層水溫 與 logU 的雙 變異圖顯示出適合的水溫在 9–10℃(1999 與 2007 年)，在 2004 年是相對高溫的 13.4
℃，資源量也來到極低點。 線性迴歸分析顯示在所研究的年份內，阿根廷魷之年 均 CPUE 與作業漁場 近表層水溫 有負相關。
3.2.2 AAO 與 CPUE
logU 顯著地受前二年 11 月、12 月、3 月及 5 月的 AAO 影響，其年間時序變 化與 logU 之時序變化圖相當吻合，其中 11 月與 12 月呈現反向變動，而 3 月及 5 月呈現同向變動，而以 2004 年之變動最為顯著(Fig. 12)。
3.3 時間維度之經驗模式
3.3.1 泛線性模式
以 GLM 建立資源指標 logU 及環境因子的經驗模式，並以逆向逐步回歸程序 選擇適合變數，套適結果將前 2 年(lag2)11 月與 3 月的 AAO、當漁季 3 月與前一 年 3 月南方參考點 近表層水溫 等 4 個變數列為模式因子，決定係數(R2)為 0.833 (Table 2，Fig. 13)。 VIF 檢定結果顯示此 4 個變數未顯現出多重共線性。 雖然以 AIC 為依據時，GLM 將前 2 年 12 月 AAO 列入模式因子，且此 5 個變數的模型之
AIC 值優於 4 個變數模型，但 5 變數模型並未能使決定係數(R2)增加超過 0.05，且 前 2 年 12 月 AAO 變數在模式中並不顯著。 加入前 1 年的 logU 值進入模式無法 提升決定係數，亦不顯著(P = 0.324)，代表年延遲之自相關並不存在。
3.3.2 因子穩定度分析
逐步累加資料之 GLM 分析結果顯示，在 1998 至 2007 年間，前二年 11 月與 3 月 AAO 此二個環境因子，隨著資料的累加，均被選為 GLM 模式因子。 而 10 次 的累加中有 9 次將前 1 年 3 月南方參考點 近表層水溫 選入 GLM 模式中。 漁季當 年南方參考點 3 月的 近表層水溫 在 2004 與 2007 年兩年的累加中被納入模式中 (Table 3)。
3.3.3 模式預測模擬
以 1986 年到 2004 年資料所建立的 GLM 模式，進行預測模擬，結果顯示所得 2005 年至 2007 年模擬結果，阿根廷魷資源豐度為上升趨勢，與實際觀測之趨勢相 同。 雖然預測值與觀測值有所誤差，然觀測值皆在預測結果 95% 信賴區間內(Fig.
14)。
3.4 空間結構分析
3.4.1 CPUE 半變異數分析
CPUE 之半變異數分析指出，在西南大西洋，阿根廷魷資源之分布有特定空間 結構，而且與不同的系群豐度水準有關(Fig. 15)。 依據適合度與決定係數(R2)判定，
本研究顯示除了 2010 年，對於其他年份，球形模式(spherical model)解釋了西南大 西洋阿根廷魷豐度年度分布樣式的大部分空間資訊(Table 4)。 而高資源豐度的 1999 年需採用雙重函數(球形模式加上線性結構)來解釋，此複合模式達到最高水準
的空間差遲自相關(R2= 0.969)。 在解釋 2010 年的空間關係時，指數模式(exponential model)更優於球形模式。 半變異數模式僅能於 2004 與 2012 的資料中抽取少數空 間資訊，分別為 68.1%與 53.5%。
碎塊效應相對於基元值之百分比落在 7.4%至 41.2%的範圍間，說明在該年中 涵蓋整個漁場有一合適的分析解析度，其中半變異圖並未因分析干擾而在原點處 顯示出任何明顯的不連續。 2012 年可見一異常高的百分比值 41.2%，而 2012 年 的資料中亦含有最多的離群值。
除了 1999 年的多重結構，影響距離(L)在 1.93(2011 年)至 2.99 (2012 年)間變 化，指出西南大西洋阿根廷魷漁場的空間影響之範圍半徑約在 2.5 度上下。
3.4.2 海水溫度與資源量之交叉變異圖(cross-variogram)
使用交叉變異圖分析阿根廷魷系群豐度與海水溫度的空間相關性(Fig. 16)。
在高豐度年份(1999 與 2007 年)，交叉變異圖之γ(h)值顯示了水溫與空間影響範圍 的正相關增加趨勢，指出 1999 與 2007 年及平常年度(2012 年)，系群豐度與溫度間 的正向交互作用。 然而在低豐度年(2004 與 2010 年)及平常年度(2011 年)，非常短 的空間影響範圍顯示無交互作用或弱交互作用。
3.4.3 克利金法與總生物量估算
交叉驗證分析支持球形及指數模式的有效性，說明所得參數可以用於克利金 法估算(Fig. 17)。 各年份觀察值與估計值之間的迴歸分析均顯示顯著的線性關係，
決定係數範圍為 0.811 至 0.981，代表克利金法的估值成功地闡述觀察資料並且達 成一平滑效果(Fig. 18)。 一般而言，沿著 200 m 等深線，由南緯 40 度往南最遠達 南緯 50 度，顯示高資源分布之豐度。 而在高豐度年份，如 1999 及 2007 年，橢 圓等值線由 200 m 等深線向大陸棚側延伸更遠。 在非常低豐度的 2004 年，可觀 察到低資源分布中分散的高值區塊。
利用積分估計阿根廷魷的相對性年度總生物量(Table 5)。 結果顯示在 2007 年 的阿根廷魷總生物量最高(1,093,013 噸)，其次為 1999 年 (780,474 噸)。 在平常年 中，阿根廷魷總生物量的範圍為 225,776 至 400,679 噸。 在 2004 年，則為一非常 低的總生物量(109,815 噸)。 即便如此，所有研究的年度中，阿根廷魷的利用率均 低於 60%，因而符合阿根廷魷漁業管理所定 40% 逃逸率目標。