土壤重金属污染是一种具有隐蔽性和累积性的环境污染^[1], 由其引发的食品安全问题和潜在人体健康风险等问题已受到人们广泛关注^[2~4]. 人类活动与成土母质是影响土壤重金属含量的两个重要因素^[5], 随着工业化的发展, 在局部尺度上, 人类活动对土壤重金属含量的影响已超过自然因素^[6~8]. 人类活动影响土壤重金属含量的方式主要为不同行业的工业企业生产活动产生的重金属“三废”, 通过大气沉降和地表径流等途径迁移至企业周边土壤^{[9, 10]}. 而在我国目前较多企业周边土壤以耕地为主^[11~13], 重金属污染物通过在耕地中进行累积, 从而造成影响农产品质量等生态风险^[14], 并最终通过食物链传递对人体造成健康风险^[15]. 因此开展工业企业周边土壤重金属潜在生态风险评价具有重要意义.

影响工业企业周边土壤重金属污染的因素众多^{[2, 10, 16, 17]}, 如距企业距离、不同行业生产工艺差异和企业与周边土壤的相对高程等. 除受工业企业影响外, 还可能受自然因素影响, 如土壤pH和区域降雨量等^[17]. 因此探究不同影响因素对工业企业周边土壤重金属污染的影响程度, 可有效提高捕捉工业企业周边土壤重金属污染风险的能力, 为土壤污染防治工作提供重要支撑. 但当前对土壤重金属影响因素的分析主要以耕地为主, 仍缺乏对工业企业周边土壤重金属影响因素的探索, 因此本研究拟对此开展分析. 地理探测器是由王劲峰团队开发的一种探测空间分异性并剖析其影响因子的统计学方法^[18]. 其优势在于可通过将数据离散化, 同时对数值型数据和定性数据进行探测, 同时还可以揭示各影响因子交互作用后对因变量的影响力. 如李雨等^[19]利用地理探测器发现GDP、平均温度和相对高度对农田重金属的空间分布的解释力较强；周伟等^[20]发现高程、坡度和土壤类型是影响坡耕地重金属空间分异的主要影响因子；马杰等^[21]对煤矸山周边土壤重金属进行地理探测, 解释了Cd、Hg、As、Pb、Cr、Cu、Zn和Ni等8种重金属与5种环境因子之间的相关性.

根据全国农用地与重点行业企业调查结果, 四川全省土壤污染形势较为严峻, 污染类型以镉和铅等重金属污染为主^[22]. 而根据凌勤^[23]的研究结果, 造成区域重金属污染的主要原因为外源输入, 而工业企业生产造成的“三废”排放是外源输入的主要途径. 四川省是我国西南地区的重要粮仓, 同时也是我国土壤重金属含量较高的省份之一^[24]. 而根据环境风险区分, 四川省污染监控和污染整治的重点涉重行业主要包括化学原料和化学制品制造业、金属制品业和金属矿采选业等^[25]. 因此本文选择四川省的9家相关行业的工业企业, 测定企业周边土壤中重金属Cd、Hg、As、Pb、Cr、Cu、Ni和Zn含量. 运用潜在生态危害指数法对企业周边土壤进行评价, 并运用地理探测器开展企业周边土壤重金属影响因素分析, 以期为工业企业周边土壤重金属污染风险预警提供技术支撑.

本研究分别在四川省绵阳和宜宾等5个地市, 优先选择化学原料和化学制品制造业、金属制品业和金属矿采选业等在内四川省典型涉重行业, 同时综合考虑企业的规模、面积和生产年限等因素, 最终选定9家工业企业作为本次研究对象（图 1）. 本次研究选取的9家企业共涉及6个行业类型, 占地面积为0.62万~46.68万m², 生产年限为12~54 a. 企业规模包含“微型”“小型”“中型”和大型. 按照《土壤环境监测技术规范》（HJ/T 166-2004）要求, 充分考虑企业污染途径和企业周边状况等因素, 分别在每个企业四周0~50、50~200和200~500 m内, 选择企业污染排放可能对周边土壤和地下水产生影响风险较高的区域各布设2~3个点位, 总计共布设25个土壤点位. 现场采用对角线5点混合法, 采集0~20 cm表层土壤样品. 采集的样品用密封袋保存并在有效期内带回实验室, 按照《土壤环境质量农用地土壤污染风险管控标准（试行）》（GB 15618-2018）等标准中要求的分析方法分别测试Cd和Hg等指标含量, 详见表 1.

图 1

Fig. 1

图 1 研究区区位和企业分布示意 Fig. 1 Location of the study area and distribution of industrial enterprise

表 1 (Table 1)

表 1 土壤分析方法1） Table 1 Methods of soil analysis 项目 分析方法 检出限 文献 Cd 石墨炉原子吸收分光光度法 0.1 mg·kg-1 [26] Hg 微波消解/原子荧光法 0.002 mg·kg-1 [27] As 微波消解/原子荧光法 0.01 mg·kg-1 Pb 石墨炉原子吸收分光光度法 0.01 mg·kg-1 [26] Cr 火焰原子吸收分光光度法 4 mg·kg-1 [28] Cu 火焰原子吸收分光光度法 1 mg·kg-1 Zn 火焰原子吸收分光光度法 1 mg·kg-1 Ni 火焰原子吸收分光光度法 3 mg·kg-1 pH 电位法 — [29] 有机质 重铬酸钾容量法 0.4 g·kg-1 [30] 1）“—”表示无量纲

表 1 土壤分析方法1） Table 1 Methods of soil analysis

潜在生态危害指数法是瑞典学者Hakanson^[31]提出的一种重金属评价方法, 通过将重金属指标的含量及对应的毒性系数相结合, 综合反映土壤中重金属对生态环境的危害程度. 具体计算公式如下：

式中, E_rⁱ为第i项重金属的生态风险指数；T_rⁱ为第i项重金属的毒性系数^[32], 其中Cd、Hg、As、Pb、Cr、Cu、Zn和Ni的毒性系数分别为30、40、10、5、2、5、1和5；C_i为第i项重金属的实测值；S_i为第i项重金属的四川省区域背景值；RI为各项重金属综合生态风险指数, n为重金属种类数. 单项重金属潜在生态风险指数E_rⁱ和综合潜在生态风险指数RI分级标准见表 2.

表 2 (Table 2)

表 2 潜在生态风险分级标准 Table 2 Standards of potential ecological risk 潜在生态风险指数 生态危害等级 轻微 中等 强 很强 极强 Eri < 40 40~80 80~160 160~320 ≥320 RI < 150 150~300 300~600 600~1 200 ≥1 200

表 2 潜在生态风险分级标准 Table 2 Standards of potential ecological risk

地理探测器通过将自变量数据离散化后, 计算各自变量方差之和与因变量方差之和的比来衡量自变量对因变量的影响力, 本研究主要应用地理探测器中的因子探测器和交互作用探测器.

因子探测器用于探测各自变量对因变量影响程度的解释力, 用q值表示, q值越大则代表该自变量对因变量的影响力越大. 其计算公式如下：

式中, L为变量Y或自变量X离散化后的分类数；N_h为分类h的单元数；N为整个区域的单元数；σ_h²为分类h的Y值方差；σ²为整个区域Y值的方差.

交互作用探测器则是通过探测2个不同自变量共同作用后的q值, 判断自变量交互作用对因变量的影响力. 交互作用类型见表 3.

表 3 (Table 3)

表 3 自变量对因变量交互作用的类型 Table 3 Types of interaction of factors on variable 判断依据 交互作用类型 q(X1∩X2) < Min[q(X1), q(X2)] 非线性减弱 Min[q(X1), q(X2)] < q（X1∩X2） < Max[q(X1), q(X2)] 单因子非线性减弱 q(X1∩X2) > Max[q(X1), q(X2)] 双因子增强 q(X1∩X2)=q(X1)+q(X2) 独立 q(X1∩X2) > q(X1)+q(X2) 非线性增强

表 3 自变量对因变量交互作用的类型 Table 3 Types of interaction of factors on variable

参考龚仓等^[17]的统计, 综合考虑研究区实际情况及数据获取的难易程度, 选取土壤点位距企业距离、与企业所在位置的相对高程差、土地利用类型、pH、有机质含量、企业所在区域降雨量、企业行业类型、企业规模、企业占地面积和企业生产年限等10个影响因子. 其中, 土壤点位距企业距离、与企业所在位置的相对高程差和土地利用类型来源于现场实际调查；pH和有机质含量来源于实测数据；企业所在区域降雨量、企业行业类型、企业规模、企业占地面积和企业生产年限则来源于企业环评报告及排污许可.

土地利用类型结合实际调查结果及土地利用现状分类标准共分为6类；行业类型结合实际调查结果及《国民经济行业分类》（GB/T 4754-2017）共分为6类；企业规模按照《关于印发统计上大中小微型企业划分办法的通知》（国统字〔2011〕75号）的规定共分为4类；其余数值型数据则采用自然断点法分别划分为5类.

综合潜在生态风险评估结果表明（图 2）, 研究区内土壤重金属以“中等”生态风险为主, 占点位总数40%；其次为“强”生态风险, 占20%；再次为“轻微”“很强”生态风险, 均占16%；最后为“极强”生态风险, 占8%. 研究区内不同点位综合潜在生态风险存在较大差异, 说明工业企业周边土壤重金属受不同因素复合影响而产生重金属累积程度存在差异.

图 2

Fig. 2

图 2 研究区各综合潜在生态风险类型点位比例 Fig. 2 Proportion of each type of comprehensive potential ecological risk in the study area

各项重金属潜在生态风险评估结果表明（图 3）, Cd的潜在生态风险最高, 以“强”生态风险为主, 占点位总数40%, 其次依次为“极强”和“很强”生态风险, 分别占24%和20%, “中等”和“轻微”生态风险最少, 分别占12%和4%；其次是Hg, 以“轻微”生态风险为主, 占点位总数52%, “中等”“强”和“很强”均占16%；再次为Pb、As和Cu, “轻微”生态风险均占96%, 依次分别有4%的“很强”“强”和“中等”生态风险. 最后为Cr、Zn和Ni, 结果均为“轻微”生态风险.

图 3

Fig. 3

图 3 研究区8项重金属各潜在生态风险类型点位比例 Fig. 3 Proportion of potential ecological risk types of eight heavy metals in the study area

利用因子探测器探测10种影响因子对8项重金属指标的解释力, q值结果见图 4.

图 4

Fig. 4

图 4 不同影响因素对重金属影响程度的解释力 Fig. 4 Explanatory power of different influencing factors on the degree of influence of heavy metals

对于Cd、Pb和Zn, “距企业距离”解释力最高, 分别为0.46、0.47和0.46, 说明距离企业越近, 土壤重金属Cd、Pb和Zn越易受到影响导致含量升高. 这与已有的研究结果相近^[33], 土壤中重金属的富集及污染程度, 与工业企业污染排放距离具有明显的相关性. 而张瑞等^{[34, 35]}的研究也进一步证明, 土壤中Cd、Pb和Zn的污染高风险点主要位于工业企业周边.

对于As、Cr、Cu和Ni, “行业类型”解释力最高, 分别为0.47、0.42、0.54和0.94, 这说明工业企业周边As、Cr、Cu和Ni含量更易受不同行业类型的工业企业影响而产生差异, 其中Ni含量受行业类型影响极为显著. 这与已有研究的结果较为一致^{[36, 37]}, 由于不同行业类型企业原辅材料、生产工艺、中间产物及产品等方面的差异, 导致其产生的污染物类型不同.

对于Hg, “降雨量”解释力最高, 为0.48, 说明降雨量是影响工业企业周边Hg含量的主要影响因素. 其原因可能为, 工业区Hg含量变化主要由企业煤炭燃烧等产生的含Hg元素废气发生大气沉降导致^[38~40], Hg在大气沉降中的湿沉降量通常为干沉降量的1倍以上^[41], 而降雨量则是影响湿沉降的主要影响因素, 从而进一步影响土壤中Hg含量变化^[42]. 这与Sakata等^[43]的研究结果相一致, 其研究表明大部分Hg沉降变化是由降雨量引起的.

利用交互作用探测器探测10种影响因子的交互作用结果见图 5. 8项重金属在不同影响因素交互作用后的结果均为双因子增强或非线性增强, 即各因素交互作用后的解释力均高于单一因子探测, 说明各影响因素两两交互后, 均对重金属的影响力有所提高. 这与已有研究发现的土壤重金属含量是由多种影响因素共同作用的结论一致^{[17, 20, 21]}.

图 5

Fig. 5

1.距离, 2.相对高程, 3.土地利用类型, 4.降雨量, 5.pH, 6.有机质, 7.行业类型, 8.规模, 9.占地面积, 10.生产年限 图 5 不同影响因子交互后对重金属的影响 Fig. 5 Effect on heavy metals after interaction of different influencing factors

对于Cd、Pb和Zn, 在单因子探测中均受“距企业距离”影响力最高, 而将“距企业距离”与“土地利用类型”“pH”“行业类型”和“企业规模”交互后的影响力均显著提升, 达到0.96~0.99之间. 而对于As、Cr、Cu和Ni, 在单因子探测中均受“行业类型”影响力最高, 而将“行业类型”与“pH”和“有机质”交互后的影响力同样显著提升, 达到0.85~0.99之间. 其中“距企业距离”“行业类型”和“企业规模”均属于与企业本身相关的影响因子, 而“土地利用类型”“有机质”和“pH”则属于企业周边土壤所在区域自然因素相关的影响因子. 这说明工业企业周边土壤重金属含量是受工业企业生产及工业企业周边自然因素复合影响, 其中工业企业生产是影响企业周边土壤重金属含量的主要因素. 而张军等^{[44, 45]}的研究也同样表明, 复杂的影响因素影响会加速土壤中重金属的累积,

相关性分析可一定程度上反映土壤重金属来源之间的关系^[46], 研究区重金属相关性结果见表 4. Cd、As、Pb和Zn之间存在显著相关性, 相关系数介于0.926~0.982之间, 说明土壤中重金属Cd、As、Pb和Zn来源相近. 其结果与因子探测器基本一致, Cd、Pb和Zn均受“距企业距离”解释力最强. 而As虽受“行业类型”影响最强, 但从整体上看, Cd、As、Pb和Zn解释力前3位的因子均为“距企业距离”“行业类型”和“土地利用类型”, 各因子相互作用后相关性提升, 与交互作用探测器结果基本一致.

表 4 (Table 4)

表 4 土壤重金属含量相关性分析结果1） Table 4 Correlation between the heavy metals in soil Cd Hg As Pb Cr Cu Zn Ni Cd 1 Hg 0.226 1 As 0.926** 0.274 1 Pb 0.972** 0.164 0.951** 1 Cr -0.003 0.434* 0.013 -0.086 1 Cu 0.407* 0.075 0.416* 0.397* 0.285 1 Zn 0.982** 0.201 0.930** 0.981** 0.012 0.518** 1 Ni -0.144 0.129 -0.044 -0.167 0.285 0.515** -0.104 1 1）*表示显著相关, P < 0.05；**表示极显著相关, P < 0.01

表 4 土壤重金属含量相关性分析结果1） Table 4 Correlation between the heavy metals in soil

其余指标均无显著相关性, 其原因可能在于As、Pb、Cr、Cu和Ni均受“行业类型”影响较强, 说明行业类型是影响5种重金属含量存在差异的主要影响因素, 但由于行业类型为定性数据, 而非定量数据, 不同行业类型产生的污染物类型存在差异^{[36, 37]}, 不同行业的工业企业造成5种重金属含量变化的生产工艺、污染排放情况也均不同, 从而导致5种重金属之间相关性较差.

地理探测器可用于探测影响土壤重金属含量的空间分异性的主要因子, 探测器既能够直接探测数值型的数据, 也能够探测定性或类型数据, 还可分析两个影响因子之间交互作用的影响力. 采用此模型可有效探测影响工业企业周边土壤重金属含量的主要因素, 并据此为开展工业企业周边土壤监测时点位布设、数据分析等工作提供重要技术支撑, 服务工业企业周边土壤重金属污染风险预警工作. 但目前针对工业企业周边土壤重金属污染的研究仍较少, 未来的研究应进一步收集该类型监测数据量, 同时采用多种模型共同进行分验证, 使结果更加全面、准确和可靠.

（1）潜在生态风险评估结果表明, 研究区土壤重金属以“中等”风险为主, 占点位总数40%, 其他4种风险类型分别占8%~20%. 说明工业企业周边土壤重金属含量受不同因素复合影响存在差异. Cd和Hg是研究区潜在生态风险的主要贡献指标.

（2）对8项重金属与10种影响因子开展的因子探测结果表明, “距企业距离”对Cd、Pb和Zn的解释力最强；“行业类型”对As、Cr、Cu和Ni的解释力最强；“降雨量”对Hg的解释力最强.

（3）交互作用探测结果表明, 各因子交互作用后, 解释力均有提高, 说明工业企业周边土壤重金属含量是受工业企业生产及工业企业自然因素复合影响.

（4）相关性分析结果表明, Cd、As、Pb和Zn之间存在显著相关性, 说明4项重金属具有一定的同源性, 与因子探测器和交互作用探测器结果一致, 可对地理探测器结果进一步验证, 使结果更准确可靠.