綠色能源為大多數國家所追求之能源，我國政府也不例外，近年來開始推動綠色能源，如：太陽能、風力發電，依台灣各地區合適之發電條件，採取合適的綠能之發電方式，本研究為探討台灣西部地區離岸風力發電之民意調查，瞭解當地居民對於在當地外海興建離岸風力發電之看法，並深入了解是哪些因素影響對該計畫之贊成程度。
本研究問卷在台灣西部沿海縣市實施面訪，其中最多樣本數之縣市為彰化縣，因此除了觀察整體西部縣市受訪者回應之特性，亦觀察彰化縣之受訪者，並依問卷各項題目與計畫贊成程度題目做交叉分析，瞭解有哪些題目與受訪者是否贊成本計畫相關，並且以對應分析，將與贊成程度相關之選項來判斷與贊成度之關係，瞭解是具備哪些回答要素之受訪者會較不贊成本計畫，以及使用決策樹分析，利用分支來找尋贊成、不贊成、有條件贊成本計畫之因素。
研究結果顯示，所有題目均與計畫贊成與否之題目相關，唯獨有一題目與贊成程度不相關；在決策樹分析無不贊成該計畫之分支，因此若是要瞭解不贊成該計畫之原因，則這決策樹分析無參考價值，但由對應分析發現某縣與不贊成該計畫之選項相近，代表樣本較傾向於不贊成該計畫，因此將之樣本做決策樹分析，研究發現有部分特徵之受訪者一般最後會選擇不贊成本計畫。

一、 中文文獻
1. 千架海路風力機-風力資訊整合平台，http://www.twtpo.org.tw/。
2. 台灣電力公司，歷年電售量統計資料。
3. 用數據看台灣，https://www.taiwanstat.com/realtime/power/。
4. 林曉芳，2013，統計學SPAA應用，鼎茂圖書出版股份有限公司。
5. 謝邦昌、鄭宇庭，2015，資料採礦之技術及應用-Excel實例演練，新陸書局股份有限公司。
6. 謝邦昌、鄭宇庭，2016，大數據概論，新陸書局股份有限公司。
二、 英文文獻
1. Berry, M. J. & G. Linoff, 1997, Data Mining Techniques: For Marketing, Sales, and Customer Support, John Wiley & Sons, Inc. New York, NY, USA.
2. European Wind Energy Association, 2013, Deep water - The next step for offshore wind energy, European Wind Energy Association, p20.
3. Fayyad, U., G. Piatetsky-Shapiro & S. Padhraic, 1996, AI Magazine, Volume 17 Number 3.
4. Hu, S. Y., 2015, Policy and Promotion of Offshore Wind Power in Taiwan, Industrial Technology Research Institute.
5. Mehner, E., 2016, An investment case on offshore wind energy in Taiwan.
6. Shearer, C., 2000, The CRISP-DM model: the new blueprint for data mining, Journal of Data Warehousing, Volume 5 Number 4 p13—p22.