“水质基准”是一个自然科学的概念，是基于科学实验和推论获取的客观结果，它通常是指一定自然特征下，水质成分对特定保护对象不产生有害影响的最大可接受浓度水平或限度^[1]. 用于开发水质基准的方法称为水质基准方法学，它是制定水生生物基准值的基础，是环境科学领域的重要学科分支之一. 按照原理，可以分为评价因子法与统计外推法^[2]，两种方法均依赖于生物毒性试验以及对毒性数据的处理方法. 水生生物基准的开发过程涉及了人类对物种敏感性的认识以及水质基准推导模型的选择等内容. 从学科交叉的角度来看，水生生物基准推导方法学需要借助毒理学、 生物分类学、 统计学等学科的成果来不断完善. 其中，毒理学主要关注研究化学物质对生物体的毒性反应、 严重程度、 发生频率和毒性作用机制的科学，也是对毒性作用进行定性和定量评价的科学^[3]. 从毒理学的角度考虑，物种的敏感性主要受物种吸收-消除动力学的差异、 内部螯合机制的差异、 生物转化速率的差异、 生物化学受体性质的差异、 受体再生速率的差异等几个方面的影响^[4]. 生物分类学主要关注研究物种的系统发育，探索种类之间历史渊源，以阐明亲缘关系，为分类提供理论依据. 从生物分类学的角度看，通常按照物种生理特征和系统发育关系等因素，将全部生物按照界、 门、 纲、 目、 科、 属、 种等不同的阶元划分为不同分类群，同一分类群内的生物具有更加相似的生理结构以及更加相近的亲缘关系^{[5, 6]}. 抽样推断是在按照特定原则从总体中抽取部分样本，运用数理统计方法，对总体的某些参数作出具有一定可靠程度的估计^[7].

在制定水生生物基准的过程中，毒性试验不可能涉及所有的水生生物，因此基准制定人员只能将全部或某一区域内的全部水生生物作为一个总体进行抽样，并通过评价因子或统计推断的方法对总体情况进行估计，以达到保护水生态系统的目的. 截至目前，方法的运用还存在一些问题，其中物种选择是关键问题之一，尤其是对于统计外推法^[4]. 该方法中假设毒性数据为随机获得，但受到多种因素的限制，物种选择往往出现一定的倾向性，此外，基准制定人员基于经验判断，可能会认为某些总体成员在某些方面具有代表性，因此总是将它们包含在样本中. 目前USEPA在其导则文件以生物类群为基础做出物种选择限定，并规定至少要有3门8科的物种^[8]，而其他国家也有类似的规定^{[9, 10, 11]}. 虽然这种定规在毒性数据积累很少的情况下可以使毒性数据涵盖不同营养级、 涉及的物种具有更大的生物分类学差异性，但是对物种进行限定的同时就破坏了物种选择的随机性原则. 这种方案在某些场合或许是有效的，但在数学上却不能保证它们的无偏性，因此也受到一些学者的质疑^[4].

制约水质基准方法学发展的主要因素是物种敏感性认识的不足(机制认识的不足和毒性数据的积累较少)，以及统计分析手段的运用不够. 因此，作者认为物种选择方法的确定需要由两个方面入手：物种敏感性规律的充分认识以及抽样推断方法学的优化. 当前的研究中涉及毒理学、 分类学、 抽样-推断理论的讨论非常少见. 本研究以氨氮的水生生物毒性为例，对不同生物分类群群内、 群间物种的敏感性进行统计检验分析，并讨论了不同抽样-推断方法的特点，梳理物种选择与推断方法的关系，以期为基准方法学研究提供思路. 1 材料与方法 1.1 数据筛选及标准化方法

由于毒性试验在不同的实验室由不同实验人员进行，因此其实验结果可能受到各种因素的影响. 为了保证数据的准确性、 可靠性、 可比性，因此需要在筛选过程中对毒性试验的质量控制与质量保证措施做出严格要求. 参照文献^[8]中毒性试验标准方法和数据筛选原则，对毒性数据进行筛选. 同时，为保证数据的可比性，对毒性数据进行标准化处理，以消除水质条件对测试结果的影响，借鉴USEPA在推导氨氮水生生物基准时所采用的标准化模型进行毒性数据标准化^{[12, 13]}，如式(1)~(4)：

分别求出两个样本的等级之和W₁、 W₂，并计算Mann-Whitney U检验统计量，

取Min(U₁，U₂)与U_α(临界值，经查表获得)比较，当U_α时，拒绝H₀，接受H₁，当原假设为真时，随机变量U的均值可按照式(3)~(4)计算获得，其方差可按照式(5)计算获得：

当n₁和n₂为大样本时(n₁≥10，n₂≥10)，随机变量可以用正态分布进行近似，则令

做出判断，设两个总体的均值分别为μ₁、 μ₂，则有 H₀: μ₁≤μ₂,H₁: μ₁>μ₂，如果Z<-Z_α，则拒绝H₀； H₀: μ₁≥μ₂,H₁: μ₁>μ₂，如果Z>Z_α，则拒绝H₀； H₀: μ₁=μ₂,H₁: μ₁≠μ₂，如果Z>-Z_α/2，则拒绝H₀.

本研究中Man-Whitney U检验使用SPSS 16.0软件辅助完成. 2 结果与分析 2.1 物种类群分布

经检索筛选后，获得的氨氮水生生物急性毒性数据如表 1所示.

表 1(Table 1)

表 1 水生生物氨氮急性毒性值 Table 1 Acute toxicity of ammonia to aquatic life

表 1 水生生物氨氮急性毒性值 Table 1 Acute toxicity of ammonia to aquatic life

由表 1可以看出，脊椎动物门的毒性数据最多，为49种，占全部毒性数据的49%，其次为节肢动物门和软体动物门，分别占25%和22%，最少的两门为环节动物门和扁体动物门，仅占3%和1%. 而在纲这一分类阶元，辐鳍纲动物毒性数据最多，占45%，其次为瓣鳃纲和鳃足纲，分别占17%和6%. 这与鱼类具有更加重要的经济、 娱乐价值不无关系. 自然界中，节肢动物门的数量最多^{[66, 67]}，而河流、 湖泊等水生态系统中，节肢动物门的物种数量通常是最多的. 按照随机法对水生生物进行抽样，则节肢动物门物种具有相对较高的入样概率. 然而由毒性数据的物种类群分布可以看出，物种毒性数据中脊椎动物明显占据绝大部分，尤其是辐鳍纲鱼类. 当脊索动物门(或辐鳍鱼纲)中动物对毒性物质非常敏感或耐受性非常强时，势必影响到最终获得的基准值，同样当对特定区域进行生态风险进行评价时出现偏差的可能性也会大大增加.

图 1

Fig. 1

图 1 不同分类群水生生物对氨氮的敏感性比较 Fig. 1 Comparison of aquatic lifes sensitivity to ammonia in different taxa

表 2(Table 2)

表 2 门急性毒性U统计量的精确概率值 Table 2 Exact U statistics probability of acute toxicity of different phylum 环节动物门 脊椎动物门 节肢动物门 N1)(变异系数) 3(0.135 7) 49(0.453 8) 25(1.206 9) 脊椎动物门 49(0.453 8) 0.018 节肢动物门 25(1.206 9) 0.834 0.000 软体动物门 22(0.655 7) 0.002 0.000 0.000 1)样本数量，下同

表 2 门急性毒性U统计量的精确概率值 Table 2 Exact U statistics probability of acute toxicity of different phylum

由图 1及表 2可知，软体动物门、 脊椎动物门相对于节肢动物门、 环节动物门对氨氮毒性更加敏感，其变异系数分别为0.6557、 0.4538； 而节肢动物则相对不敏感，其变异系数为1.2069，说明节肢动物门中各物种的敏感性有较大差异. 由Mann-Whitney检验结果可以看出，软体动物门与环节动物门、 节肢动物门、 脊椎动物门的U统计量的精确概率值小于0.1，因此其在0.1的置信水平下具有显著差异. 节肢动物门与脊椎动物门的U统计量的精确概率值为0.000，说明两者在0.1的置信水平下有显著的差异. 而环节动物门与节肢动物门的U统计量的精确概率值为0.834，说明在0.1的置信水平下两者之间没有显著差异，这可能是由于环节动物门中仅涉及3个物种的毒性数据有关. 扁形动物门因样本数量仅为1，未进行检验.

由图 1及表 3可知，两栖纲、 鳃足纲、 瓣鳃纲的变异系数分别为0.281 3、 0.164 8、 0.492 7，说明该3个纲的纲内物种的敏感性较为接近； 而昆虫纲、 软甲纲的变异系数分别为1.058 5、 1.121 0，说明该两纲的纲内物种的敏感性差异较大. 其中昆虫纲涉及6目8科，软甲纲涉及3目4科，而鳃足纲、 瓣鳃纲则均只涉及1目2科、 两栖纲涉及1目3科，因此可以推断毒性数据涉及越多的生物分类群，其变异系数就会越高，同样可以推断同一生物分类群内的物种有更加接近的物种敏感度. 由表 3的Mann-Whitney检验结果可以看出，寡毛纲与昆虫纲、 软甲纲的U统计量的精确概率值分别为0.225、 0.497，辐鳍纲与两栖纲、 鳃足纲、 腹足纲的U统计量的渐近概率值分别为0.366、 0.199、 0.826，昆虫纲与软甲纲的精确概率值为0.31，鳃足纲与腹足纲则为0.662，因此，在0.1的置信水平下没有显著差异. 而其余几个纲之间的U统计量的精确概率值均小于0.1，说明在0.1的置信水平下，存在显著差异.

表 3(Table 3)

表 3 纲急性毒性U统计量的精确概率值 Table 3 Exact U statistics probability of acute toxicity of different class 寡毛纲 辐鳍纲 两栖纲 昆虫纲 软甲纲 鳃足纲 瓣鳃纲 N(变异系数) 3(0.135 7) 45(0.454 9) 4(0.281 3) 10(1.058 5) 8(1.121 0) 6(0.164 8) 17(0.492 7) 辐鳍纲 45(0.454 9) 0.024 两栖纲 4(0.281 3) 0.057 0.366 昆虫纲 10(1.058 5) 0.225 0.000 0.001 软甲纲 8(1.121 0) 0.497 0.000 0.008 0.310 鳃足纲 6(1.121 0) 0.024 0.199 0.019 0.000 0.059 瓣鳃纲 17(0.492 7) 0.002 0.000 0.039 0.000 0.000 0.000 腹足纲 5(0.553 0) 0.071 0.826 0.730 0.005 0.030 0.662 0.030

表 3 纲急性毒性U统计量的精确概率值 Table 3 Exact U statistics probability of acute toxicity of different class

由图 1及表 4可知，辐鳍鱼纲中鲑形目、 鲤形目、 鲈形目敏感性较为接近，其变异系数为0.394 5~0.447 5，说明各目内的不同物种的敏感性差异并不大； 由表 4的Mann-Whitney检验结果可知，河蚌目与其他5个目，鲤形目与枝角目、 无尾目与枝角目的U统计量检验结果均小于0.1，因此物种敏感度在0.1的置信水平下有显著差异. 鲑形目与鲤形目、 鲈形目、 无尾目、 枝角目，鲤形目与鲈形目、 无尾目，鲈形目与无尾目、 枝角目的U统计量检验结果均大于0.1，因此，在0.1的置信水平下没有显著差异. 此外，还可以看出隶属于同门、 同纲的“目”的U统计量检验结果均大于隶属于不同门、 不同纲的“目”的U统计量检验结果，这在一定程度上说明同一生物分类群中的生物具有相对接近的敏感性.

表 4(Table 4)

表 4 目急性毒性U统计量的精确概率值 Table 4 Exact U statistics probability of acute toxicity of different order 鲑形目 鲤形目 鲈形目 无尾目 枝角目 N(变异系数) 11(0.394 5) 13(0.404 2) 14(0.447 5) 4(0.281 3) 6(0.164 8) 鲤形目 13(0.404 2) 0.608 鲈形目 14(0.447 5) 0.809 0.685 无尾目 4(0.281 3) 0.571 0.624 0.442 枝角目 6(0.164 8) 0.350 0.087 0.153 0.019 河蚌目 17(0.492 7) 0.000 0.001 0.000 0.039 0.000

表 4 目急性毒性U统计量的精确概率值 Table 4 Exact U statistics probability of acute toxicity of different order

由图 1及表 5可知，河蚌科最为敏感，16种河蚌科物种的变异系数为0.502 5； 鲑科、 鲤科、 棘臀科等敏感性比较接近，其中样本数量较多的鲑科、 鲤科的变异系数为0.394 5、 0.402 2，说明该几个科的科内物种敏感性比较相似. 但同时值得注意的是蝲蛄科、 细蟌科两个科的科内物种敏感性差异很大，这说明隶属于同一分类群内的物种的敏感性并不全部呈现相似的规律，尤其是相对不敏感的物种. 由表 5中Mann-Whitney检验结果可知，河蚌科与其他8个科的敏感性在0.1的置信水平下有显著差异； 河鲈科与蚤科，蝲蛄科与鲑科、 鲤科、 棘臀科的敏感性在0.1的置信水平下有显著差异，而其他几个科之间则没有显著差异.

表 5(Table 5)

表 5 科急性毒性U统计量的精确概率值 Table 5 Exact U statistics probability of acute toxicity of different family 鲑科 鲤科 亚口鱼科 棘臀科 狼鲈科 溞科 河蚌科 河鲈科 N(变异系数) 11(0.394 5) 9(0.402 2) 4(0.471 5) 6(0.380 6) 4(0.491 6) 5(0.170 8) 16(0.502 5) 3(0.280 8) 鲤科 9(0.402 2) 0.766 亚口鱼科 4(0.471 5) 0.571 0.710 棘臀科 6(0.380 6) 0.525 0.864 1.000 狼鲈科 4(0.491 6) 0.661 0.414 0.486 0.610 溞科 5(0.170 8) 0.510 0.190 0.413 0.177 0.905 河蚌科 16(0.502 5) 0.000 0.001 0.037 0.008 0.005 0.000 河鲈科 3(0.280 8) 0.291 0.600 1.000 0.548 0.400 0.071 0.045 蝲蛄科 3(1.162 5) 0.060 0.036 0.114 0.095 0.229 0.250 0.002 0.100

表 5 科急性毒性U统计量的精确概率值 Table 5 Exact U statistics probability of acute toxicity of different family

如前所述，在基准推导中，毒性试验不可能涉及所有物种，仅能选择部分物种进行调查，而抽样是从全部研究对象中选取部分单位进行调查，并据此对全部调查研究对象作出估计的一种调查方法，基准方法学中的物种选择本质上属于抽样-推断理论的范畴. 抽样调查在保证结果精确的前提下，通过样本获得反映总体情况的信息，起到全面调查的作用. 因此样本的充分代表性是总体估计准确性的必要前提，抽样方法的设计关系到推断结果的准确性. 依据抽样推断理论与方法，使用不同的物种选择方法时，需要结合适当的推断方法才能尽可能地降低误差^[7].

水生生物对污染物的敏感性分布规律是客观存在而不受外界因素影响的，因此其中并不包含概率问题，但受到目前认知水平的限制，人们依然缺乏一个水生态系统对污染物毒性作用敏感性、 耐受性的精确系统的理论描述. 为了获得保护水生生物的水质基准值，基准制定人员采样采用统计外推的概率估计方法来获得基准值. 而在基准推导中，需要考虑物种敏感性及其在整个水生态系统中所处的水平这两个变量才能完成敏感性与累积概率的拟合，达到总体推断的目的. 但当某一物种被抽中进行毒性试验，其中仅包含该物种的敏感性信息，而累积概率则是通过多个样本排序，并按照相同的权重人为赋予的，这就需要在物种选择时构造随机过程，将非随机问题转换为随机问题，才能保证其无偏性，因此从理论上讲，其对应的推断方法应该为基于抽样设计的推断(design-based inference，DBI)^{[68, 69]}，在DBI中假设总体中各个单元的目标参数固定不变，当要对总体进行推断时，需要对抽样方法进行设计，使其具有随机性，进而利用随机样本进行总体参数的推断. 当前基准推导方法可以分为评价因子法和统计外推法^[2]，而对物种敏感度的认识是一个渐进的过程，在不同的阶段会有不同数量的物种毒性数据，因此不同的物种选择方法需要结合适当的基准推导方法. 按照上述分析，可以依据物种选择方法以及所获得的毒性数据多少将其划分两个阶段，如图 2所示.

图 2

Fig. 2

图 2 物种选择方法与基准推导方法的关系 Fig. 2 Relationship of species selecting methods and criteria deriving methods

概括来讲可以将基准推导划分为两个阶段，对于某一种新的化学品，人们往往对其环境毒理性质了解很少，因此通常基于研究人员的经验利用经验判断抽样法选择某些常用毒理学模式生物进行毒性学试验，或者按照简单随机法选取受试生物进行毒理试验. 前者的样本为非随机获得，仅能依靠评价因子法进行基准推导，而后者则可能由于毒性数据太少，也仅能使用评价因子法进行基准值推导，因此将其划分为第一阶段，在该阶段内，采用保守的方式进行基准推导是最妥当的. 随着毒性数据的增加和认识的逐渐深入，通过物种敏感性分析可以对其内部规律进行总结，对与物种敏感性有较高相关性的辅助变量进行识别，从而进一步利用分层随机抽样法或系统随机抽样法等更加高效的概率抽样方法进行物种选择，进而使用统计外推法进行基准值推导，此时基准推导由保守方式逐渐向更加接近真实水平的情况接近.

结合第2节中检验分析结果可以推断同一生物分类群内的物种有更加接近的物种敏感度，因此毒性数据涉及越多的生物分类群，其种间差异可能就越大，所得到的物种敏感度分布曲线也可能更加接近真实情况. 由第3节中分析讨论可知，当前基准推导中物种选择受到很多因素的影响而出现一些倾向性，从生物分类学上来看，鲤形目、 鲑形目、 鲈形目以及鲑科、 亚口鱼科、 鲤科、 鲈科、 棘臀科均属于脊椎动物门辐鳍鱼纲动物，它们之间的物种敏感性在0.1的置信水平下没有显著差异，但现有的毒性数据中，涉及该类的数量却占48%. 而节肢动物门中的昆虫纲、 软甲纲、 腮足纲之间却有较大的差异，但现有的毒性数据中，涉及该类的数量仅占25%，也远远低于其在自然生态系统中所占的比例. 而物种敏感性按照生物分类群呈现出同类相似，异类相异的特点，因此可以将生物自然分类作为对物种敏感性进行划分的辅助变量，并采用分层抽样法进行物种选择，以此作为分类群的随机样本. 然而，由于不同生态系统中物种类群结构差异巨大，同一生态系统中不同物种类群内物种数量差异也十分明显，因此，以生态系统中各生物类群内的物种数量为依据进行样本数量分配，并在推断时进行适当的权重处理是非常必要的. 此外，由于毒性数据获取非常困难，因此往往无法一次性获得较多的毒性数据，然而为了提高推断估计的精度，很多情况下都需要在原有样本的基础上，进行样本的补充，随后利用已有样本和补充样本进行推断估计，从而完成对现有基准的修订. 为了能够以较高效率完成抽样，在物种选择时应当涵盖更广泛的生物类群，因此，通过生物分类阶元由高至低在尚未涉及的分类群内进行随机选取，可以提高抽样效率. 4 结论

(1)基准推导方法理论上属于基于抽样设计的推断，水生生物对污染物的敏感性客观存在而不受外界因素影响，其中并不包含概率问题，在基准推导的物种选择时需要人为构造随机过程将其转化为随机性问题，才能保障推断的可靠性. 从氨氮毒性数据的物种类群分布来看，物种毒性数据中脊椎动物明显占据绝大部分，尤其是辐鳍纲鱼类，而节肢动物则仅占25%，与大多数生态系统中物种类群结构不符，说明物种选择出现一定的倾向性，这势必影响到最终获得的基准值，出现偏差的可能性也会大大增加.

(2)大多数不同分类群间水生生物对氨氮的敏感性差异显著，随着物种分类阶元分类级别降低，大部分分类群内物种呈现差异逐渐减小的趋势，能够在一定程度上说明同一自然分类群中的生物有更为接近的敏感性，个别分类群内物种的敏感性未呈现相似的规律，尤其是相对不敏感的物种. 因此，在基准推导的物种选择时，可以运用分层抽样技术，即：将生物的自然分类作为辅助变量对物种敏感性进行划分，并以生态系统中各生物类群内的物种数量为依据进行样本数量分配，进而在各分类群内进行随机抽样，从而提高抽样效率和精度. 当对基准进行修订需要样本补充时，则按照生物分类阶元由高至低，在尚未涉及的分类群内进行随机选取.