从英语翻译成中⽂(简体) - www.onlinedoctranslator.

com

海洋污染公报 45 (2002) 192‒202

www.elsevier.com/locate/marpolbul

物种敏感性分布：数据和模型选择
⼩惠勒⼀个，*, EPM 格⾥斯特⼀个, 梁家美⼀个，⼄, D.莫⾥特⼀个, M. 克兰⼀个
⼀个伦敦⼤学皇家霍洛威学院⽣物科学学院，英国萨⾥埃格姆 TW20 OEX
b⾹港⼤学太古海洋科学研究所及⽣态与⽣物多样性学系，
⾹港⽯澳

抽象的

物种敏感性分布 (SSD) 越来越多地纳⼊⽣态⻛险评估程序。尽管这些新技术提供了⼀种更透明的⻛险评估⽅法，但它们需要更多和更

⾼质量的数据。与淡⽔数据相⽐，数据数量和质量问题对于海洋数据集尤为重要，海洋数据集往往较⼩（并且标准测试⽅法较少）。使
⽤SSD时的另⼀种不确定性来源是从其构造中使⽤的⽅法范围进⾏适当的选择。我们通过⽰例展⽰了数据量、数据质量和模型选择的影
响。然后，我们将展⽰这些因素如何影响监管决策。

- 2002 Elsevier Science Ltd. 版权所有。保留所有权利。

关键词：⽣态⻛险评估；物种敏感性分布；数据量；数据质量；模型拟合

⼀、简介 超过 5% 的物种影响⽔平，通常基于慢性未观察到的影响
浓度 (NOEC)。有⼈提议使⽤ HC5 的较低置信区间（可能
物种敏感性分布 (SSD) 越来越多地⽤于⽣态⻛险评估程 带有⾼达 10 的额外安全系数）来推导⽤于⻛险评估的预
序（例如，Solomon 等⼈，1996 年；Steen 等⼈，1999 测⽆影响浓度 (PNEC)（Feibicke 和 Ahlers，2001 年）。
年）和⽔质指南的制定（ANZECC 和 ARMCANZ，2000 SSD 是使⽤对数变换的 NOEC 的累积图针对每个值的排名
年）。这是因为，如果使⽤得当，与传统的商数和评估因 指定百分位数构建的，统计分布拟合到该值。在欧洲和美
⼦⽅法相⽐，它们可以为⻛险评估过程带来更⼤的统计信 国，这通常是对数正态（Wagner 和 Lokke，1991 年）或
⼼。在欧洲，欧盟委员会、欧盟成员国和欧洲化学⼯业制 对数逻辑（Aldenberg 和 Slob，1993 年）模型，⽽在澳
定的技术指导⽂件 (TGD) 中描述了新化学品和现有化学品 ⼤利亚和新西兰则使⽤ Burr Type III ⽅法（Shao，2000
的⻛险评估⽅法（Crane 等⼈，2001 年）。TGD ⽬前正 年） ). 从这些模型中的每⼀个模型中推断出 HC5 端点。
在修订中，很可能会采⽤使⽤ SSD 的统计外推⽅法。

迄今为⽌，⼤多数已发表的使⽤ SSD 的⽣态⻛险评估都

集中在淡⽔环境上，淡⽔环境中有⼤量⾼质量的数据，主
SSD 分析的⽬的是确定对环境中⼤多数物种具有保护作 要是关于杀⾍剂的数据（Solomon 等⼈，1996 年；
⽤的化学浓度。通常会计算⼀个称为 HC5（5% 物种的危 Giesy 等⼈，1999 年；Campbell 等⼈，2000 年） . 咸⽔
险浓度）或 95% 保护⽔平（van Straalen 和 van Rijn， 物种的可⽤数据通常少于淡⽔物种，尤其是有机化合物
1998 年）的点估计值。这是⼀个浓度，将超过任何 （例如，Solbe 等⼈，1993 年），这在尝试将 SSD ⽅法
应⽤于海洋环境中物质的⽣态⻛险评估时提出了基本问题
（梁等⼈，2001 年）。这引发了关于多少数据就⾜够、
什么影响数据质量的问题
*
通讯作者。电话：+44-1784-414196；传真：+44-1784-470756。

电⼦邮件地址：j.wheeler@rhul.ac.uk （JR 惠勒）。

0025-326X/02/$ - ⻅前⻚ - 2002 Elsevier Science Ltd。保留所有权利。个⼈⾝份信

息：S0025-326X(01)00327-7
 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202 193

对整体结果有影响，以及不同的⽅法是否更适合分析较⼩ · 未测量有毒浓度（但根据测试物质的物理和化学特
的数据集。 性，预计不会有损失）

· ⽅法描述不完整
2. 数据数量和质量 · 未报告对照死亡率
· 使⽤溶剂时⽆溶剂控制
SSD 分析的有⽤性可能⾄少部分取决于输⼊数据的质
量。包含不良数据会加剧解释“⾃然”⽅差的问题，并且 QA3 有限可靠性研究
可能会产⽣错误的预测。但有多糟糕？SSD 是有效的统计 得分为 3 的研究可靠性有限，但仍包含在数据库中。
外推技术，需要最少（尽管未知）的数据量以产⽣可靠的 它们具有以下特点：
估计，监管决策可能以此为基础。我们扩⼤了 ECETOC
（欧洲⽣态毒理学和化学品毒理学中⼼）数据库
（Solbeetal., 1998）并进⾏了调整以包括数据质量标准 · ⽅法部分显⽰实验程序中的弱点
分类。根据框 1 中的标准对数据进⾏质量评估。然后使⽤
急性数据构建 SSD 以检查数据集⼤⼩的影响。 · 不可接受的控制（和/或溶剂）死亡率
· 作为经验法则，应遵循以下评估控制死亡率的可接受
性：
) 卵⼦或早期⽣命阶段测试——接受控制死亡率 6个
40%
) > 10个⽣物体/浓度：接受6个10%控制死亡率（根
据经合组织标准）
专栏 1. ⽤于评估 ECETOC 数据库中数据的数据质量标 · 6个10 种⽣物（最少 7 种/浓度）：接受 1 例死亡（根
准。 据经合组织标准）。或者，根据科学判断，测试因任何
其他原因被分类为不可接受

QA1 最⾼可靠性研究
可靠性得分为 1 的研究满⾜以下所有标准： QA4 研究不可靠
评分为 4 分的研究不符合可靠性标准，因此未包含在数
据库中。它们可能具有以下特征：
· 引⽤的已发布或记录完备的程序
) 如果给出了“标准”⽅法，除⾮另有说明，否则应
假定已遵循该⽅法。当引⽤“⾮标准”⽅法时，应获取 · 毒性浓度未测量，根据测试物质的物理和化学特性，预
参考⽂献进⾏评估 计会损失

· 报告的控制性能（包括溶剂控制）令⼈满意 · 终点外推超出测试的浓度范围

· 测得的浓度（⾄少吨0和吨结尾). 根据测量浓度的⼏何平 · 终点⼤于溶解度极限

均值计算的端点（如果测量浓度在标称值的 20% 以
内，则为标称值）

使⽤重采样⽅法评估数据量的影响，其中重采样是随机
QA2 (a) 中等可靠性研究 抽取的（从均匀分布中）⽽不放回，⼤⼩从四个到原始样
得分为 2 (a) 的研究具有以下特征： 本⼤⼩不等名词对于每个重新采样，⽣成 100 次重复，并
使⽤对数逻辑和对数正态分布拟合曲线。回归参数、它们
的平均值和相关的标准偏差被记录在每个重采样⼤⼩。两
· 仅测量储备溶液的浓度（但根据测试物质的物理和化学 种模型描述的结果相当。此处，为简洁起⻅，给出了对数
性质，预计不会有损失） 逻辑分布的结果。对数逻辑回归参数图，⼀个值（位
置），b值（散点）和决定系数（r2个) ⽤于确定出现相应
参数值稳定的最⼩数据数。稳定是
· ⽅法描述不完整
· 未报告对照死亡率
· 使⽤溶剂时⽆溶剂控制

QA2 (b) 中等可靠性研究

得分为 2 (b) 的研究具有以下特点：
194 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202

图 1. 数据包含对铜对数 Logistic 分布回归参数计算的影响。实线连接每个样本⼤⼩的 100 次重复计算的参数平均值，垂直条显⽰相关的标准偏差。淡⽔

和咸⽔ ⼀个 （A 和 B),b (C 和 D) 和确定系数（E 和 F）值在 10 个数据点后稳定。

在参数标准偏差随着样本量的增加⽽收敛的情况下实现。
图 1 显⽰了铜的急性数据结果。这些图表明稳定发⽣在
10-15 个数据点的样本量下。还使⽤⾄少 10 个数据点获得
了五氯苯酚的稳定性曲线。低于 10 个数据点的参数值变
化很⼤，并且不会产⽣对特定终点（例如 HC5）的可靠估
计。⾄少对于这些⽰例数据集，10-15 个随机选择的数据
点⾜以获得对我们可⽤数据⼦群的有效估计（我们认为代
表总⼈⼝）。此处建议的⾄少 10 个物种的数据也与其他
作者⾮常⼀致，⽤于⽔⽣⻛险评估（Solomon 等⼈，
1996 年）和⼟壤质量⽬标（Vega 等⼈，1999 年）。虽然
较⼩的数据集（ñ <10) 经常使⽤（Aldenberg 和 Slob，
1993 年；Hakanson，1995 年），这将处于模型输出的
最⼤可变性点，并且很可能对指定的效果⽔平产⽣不可靠
的估计。
种。这是因为某些类型的毒性实验，例如⼤型溞遵循标准
⽅案的 48 ⼩时 LC50 测试⼏乎总是属于质量类别 1，⽽相
⽐之下，使⽤⾮标准测试⽅法进⾏的测试往往属于质量较
低的类别。为了说明这⼀点，我们根据存在的物种数量⽣
成了预期的 HC5 值。这是通过采⽤ Vega 等⼈描述的⽅法
实现的。(1999) 由此重新计算 SSD 输出（例如 HC5），
并逐步增加每个分析中包含的数据数量。随机删除数据可
以计算新物种数量的⼀系列值（由于质量原因删除后）。
采⽤这种⽅法，我们检查了数据质量对急性淡⽔铜数据
SSD 输出的影响，并表明在使⽤所有质量的数据与仅使⽤
QA 1（最佳质量）之间，HC5 值有两倍的变化，分别产⽣
0.0068 和 0.011 mg/l 的 HC5 值（表 1）。尽管差异的意
义不⼤，但它不太可能是物种数量的函数，因为预期的
HC5 为 0.007 mg/l。因此，我们可以得出结论，更严格的
数据包含标准会导致

通过从分析中去除某些质量的数据，研究了数据质量对
所得 HC5 值的影响。根据质量移除块中的数据具有移除粒
⼦的混杂效果
 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202 195

表格1
删除不同质量数据的影响（源⾃质量保证标准）
质量检查 1、2(a)、2(b)、3 质量保证 1、2(a)、2(b) 质量检查 1、2(a) 质量保证 1

铜
n 45 40 29 29
⼀个 - 0.5572 - 0.5934 - 0.7386 - 0.6965
标清 0.9954 1.0317 0.8210 0.7755
b 0.54747 0.567435 0.45155 0.426525
r2个 0.9493 0.9414 0.9446 0.9500
HC5（毫克/升） 0.0068 0.0054 0.0086 0.011
预期 HC5 ‒ 0:0062 - 0:0009 0:0070 - 0:0014 0:0070 - 0:0014

五氯苯酚
n 39 36 ‒ 31
⼀个 - 0.8184 - 0.9852 ‒ - 1.1202
标清 1.1158 1.1336 ‒ 1.1517
b 0.61369 0.62348 ‒ 0.633435
r2个 0.8929 0.8496 ‒ 0.8490
HC5（毫克/升） 0.0024 0.0015 ‒ 0.0010
预期 HC5 ‒ 0:0021 - 0:0003 ‒ 0:0025 - 0:0003
n是物种的数量，⼀个 （位置）和b (散点图）对数逻辑回归参数，对数毒性值的 SD 标准差，HC5（mg/l）。预期 HC5 表⽰来⾃相同数量物种的值，包
括所有数据质量，重复五种不同的随机数据组合，加上或减去这些值的标准偏差。

在铜的情况下具有更⾼的浓度保护⽔平。然⽽，五氯苯酚 点。但是，在 SSD 分析中合并多个物种值有四种可能的选

的情况恰恰相反，其中 HC5 结果在 0.0024（所有数据） 择：
和 0.001 mg/l（仅 QA1 数据）之间变化（表 1）。没有先
验的理由期望灵敏度和质量之间应该存在关系。然⽽，值 1. 仅包括每个物种的单个最敏感值；
得注意的是，如果测试终点是 NOEC，有证据表明设计不
当的研究可能会产⽣更⾼的 NOEC 估计值，因为显着性检 2. 包括所有可靠的可⽤数据；
验中的统计功效通常很低（Crane 和 Newman，2000 3.⼏何平均物种概要；或者
年）。 4. 算术平均品种汇总。

在这⾥，我们研究了这些多个物种摘要中每⼀个的影
响。从 US-EPA AQUIRE ⽔⽣毒理学数据库中提取了六种
物质的急性盐⽔致死率数据（http://www. epa.gov/
ecotox/）。在所有情况下，log-logistic 分布都被证明是
3、配电建设 ⼀个很好的模型拟合，并且为了⼀致性⽽始终使⽤。使⽤
最敏感的端点、所有数据以及⼏何或算术平均值为每种物
⽣态毒理学数据库通常包含同⼀物种和化学品的多个条 质构建四个 SSD。我们使⽤ HC5 点估计值和相关的较低
⽬，因为已经进⾏了多项毒性测试。然后，⻛险评估⼈员 95% 置信区间（单尾）总结和⽐较了这些分析的结果（表
必须选择在构建 SSD 时如何最好地汇总此类多个数据。使 2）。正如我们所料，HC5 及其左侧置信区间存在总体趋
⽤物种反应的累积图，并且由于存在⼀个物种的多个数 势：最敏感的终点
据，“总”物种反应通常通过计算可靠测试结果的平均值
来估计 -

表2
HC5值（升g/l) 从盐⽔ SSD 计算得出，具有物种的四个多重数据摘要
物质 最敏感 ⼏何平均数 算术平均值 所有值
镉 6.592 (0.978) 8.220 (1.070) 8.337 (1.102) 16.56 (8.476)
氯丹 0.532 (0.041) 0.562 (0.036) 0.570 (0.039) 0.638 (0.134)
狄⽒剂 0.200 (0.039) 0.817 (0.060) 0.931 (0.222) 0.783 (0.481)
硫丹 0.007 (0.0005) 0.014 (0.001) 0.017 (0.001) 0.040 (0.017)
镍 375.0 (15.01) 529.7 (25.20) 563.6 (35.56) 615.2 (63.66)
甲苯 2818 (95.31) 4271 (180.2) 4519 (189.4) 2864 (718.0)

左下⻆ 95% 置信限度（单尾）根据括号中的 Aldenberg 和 Slob，1993 年计算得出。

196 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202
图 2. 氯丹的物种敏感性分布说明了曲线的不同位置，具体取决于使⽤的
数据摘要。插⼊的数字放⼤了较低的百分位数区域。在符号重叠的地⽅，
图形顺序是：闭合圆、空⼼三⻆形、空⼼正⽅形、闭合正⽅形。
⽅法产⽣了最低值。此后是⼏何平均值、算术平均值，然
后是所有值（表 2）。更重要的是，数值可能相差两倍或
更多（镍、甲苯、镉和硫丹）。然⽽，对于狄⽒剂和甲
苯，包含所有值的 HC5 ⽐平均值汇总更保守（表 2）。这
是数据点影响曲线拟合位置的直接结果；图 2 说明了氯丹
的情况。由于绘制的点数较多，⼤量低效应数据易于使拟
合曲线向左移动。对于最敏感的数据或平均物种摘要，这
种情况不太可能发⽣。
仅使⽤数据集中最敏感的值进⾏分析是⼀种有吸引⼒的
监管选择，因为根据定义，它们⾮常保守。然⽽，这种⽅
法并没有使⽤所有可⽤数据，因此更有可能受到异常值的
影响。最敏感的物种值也可能会阻碍进⼀步的数据⽣成，
因为数据集越⼤，它包含极端（低）值的可能性就越⼤
（Smith 和 Cairns，1993）。包括所有可⽤数据，在⼀次
分析中捕获物种间和物种内对物质的反应，可以解决这个
问题。在操作上，这将需要分配⼀个百分位数
个⼈数据点。然⽽，这使分析的解释变得复杂，并且需要
对 HC5 进⾏新的定义，因为此类措施不再处于物种⽔平。
这与 SSD 的⽬的相反，即为特定百分⽐的物种得出保护⽔
平（Toll 等，2001）。因此，我们留下了更传统的数据摘
要，这些摘要⾄少受到每个数据点的影响，但仍然保持物
种反应的流通性。尽管最近受到批评（Parkhurst，1998
年），但⼏何平均数通常⽤作⽔⽣毒性数据的汇总统计量
（Stephan 等⼈，1985 年）。它是对数变换变量的反变
换均值，由于对数函数的曲率，它给出了保守估计。
www.epa.gov/oppefed1/eco- ⻛险/aquareport.pdf）。
⼏何平均值总是⼩于或等于算术平均值 (Streiner, 2000)。
算术平均值假定值之间的差异是线性的，⽽不是⼏何平均
值中的⾮线性函数。此外，已经证明，⾄少对于对数正态
数据，与⼏何平均值相⽐，算术的均⽅误差（估计量的偏
差和⽅差的度量）更⼤（Smothers 等，1999）。
4.型号选择
近年来发展了⼏种形成 SSD 分析的⽅法。这些⽅法之间
的差异在于基础分布的选择，例如对数正态分布
（Wagner 和 Lokke，1991 年）、对数逻辑分布
（Aldenberg 和 Slob，1993 年）或 Burr Type III
（Shao，2000 年）。然⽽，⼀些作者认为，没有理由假
设或没有能⼒在⼩型数据集中验证物种敏感性的潜在分布
（Smith 和 Cairns，1993 年；Forbes 和 Forbes，1993
年）。已经提出了⼀种替代的重采样（引导）技术
（Jagoe 和 Newman，1996），它不依赖于任何假设的
分布。最近，通过使⽤假设分布（例如对数逻辑（Grist
等⼈，出版中））平滑引导程序，开发了⼀种组合引导回
归⽅法。
4.1. 参数⽅法
线性化对数正态法已成为监管机构暂时采⽤的⽅法，因
为它已⽤于农药的⼏个重要概率⻛险评估（Solomon 等
⼈，1996 年；Giesy 等⼈，1999 年；Hall 等⼈，2000
年）。它的主要优点是数学简单，因为简单的最⼩⼆乘回
归可以应⽤于 probit 和对数转换数据，并且
 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202
可以根据正态分布的假设来计算置信区间。此外，如果可
以获得化学监测数据或暴露估计，则可以构建超标曲线或
联合概率曲线 (JPC)（例如，Giesy 等⼈，1999 年）。简
单的线性曲线使 JPC 组合能够清楚地传达⻛险，并允许对
不同环境管理决策的影响进⾏相当简单的评估。然⽽，对
数正态分布也可能因其简单性⽽受到限制，因为已经表
明，30 个数据集中有 15 个测试未通过对数正态分布的⼀
致性测试（Newman 等⼈，2000 年）。也有⼈建议数据
集可能包含⼏个⼦分布，可能与敏感性的分类学差异有关
（Newman 等⼈，
如前所述，对数逻辑分布通常可以很好地拟合 SSD 数
据。对数 logistic 函数具有扩展的尾部，因此具有内在的
保守性（Aldenberg 和 Slob，1993）。从数学上讲，它
⽐对数正态模型更复杂，尤其是在计算置信区间时。⽤于
计算置信区间的外推因⼦已通过蒙特卡洛模拟得出，并制
成表格（Aldenberg 和 Slob，1993 年）。然⽽，这些因
素仅限于单尾 95% 区间（相当于双尾 90% 区间），⽽我
们通常对双尾 95% ⽔平的置信度感兴趣。此外，对于列
表值之间的样本⼤⼩，必须使⽤线性插值来确定因⼦的近
似值。
4.2. ⾮参数⾃举法
Jagoe 和 Newman (1996) 提出将引导程序应⽤于 SSD
分析，作为将分布拟合到数据的替代⽅法。
Bootstrapping 在⼀个范围内获得 HC5 估计值，该范围是
根据从原始样本中随机抽取的许多重新抽样（通常为
5000 个）计算得出的，并进⾏了替换（Efron 和
Tibshirani，1993 年）。尽管 bootstrap ⽅法在不需要先
验分布假设⽅⾯具有明显的优势，并且计算 bootstrap 置
信区间也很简单，但这是⼀种数据要求很⾼的⽅法，需要
⾄少 20 个数据点来定义 HC5 和相关的置信区间（Grist 等
⼈，2017 年）。 ， 在新闻）。
4.3. ⾃举回归法
Bootstrap 回归可以被认为是重采样能⼒和拟合基础分
布之间的折衷。这种混合技术允许使⽤较⼩的毒性数据集
和围绕点估计计算置信区间（Grist 等⼈，
197
在新闻）。当数据很少且不能充分符合其中⼀种标准分布
时，具有适当基础模型的⾃举回归提供了合适的替代⽅
案。
4.4. ⽅法⽐较
在这⾥，我们从 AQUIRE 数据库中提取了 15 个盐⽔数
据集（涵盖各种作⽤模式）。同⼀物种的多个数据汇总为
⼏何平均值。使⽤以下⽅法分析数据集：
1. 对数正态模型；
2.对数逻辑模型，⼤号HC5使⽤ Aldenberg 和 Slob (1993)
的⽅法计算；
3. 标准⾮参数⾃举法（Grist 等，出版中）；和
4. 基于对数逻辑回归模型的⾃举回归（Grist 等⼈，出版
中）。
我们计算了 HC5 值和置信下限 (⼤号HC5; 95% 单尾）以
及每种化学品的适当回归参数（表 3）。通过较低百分位
数区域的“曲线拟合”优度以及 HC5 和⼤号HC5值。
⼀般来说，不同的⽅法产⽣不同的 HC5 和⼤号HC5值
（表 3）。例如，标准引导程序是将模型分布拟合到镉数
据集的最佳⽅法（图 3C），它产⽣的 HC5 显着降低⾄
0.511升克/升（表 3）。相⽐之下，传统对数逻辑⽅法产
⽣的镉的 HC5 估计值⽐标准⾃举法产⽣的值⾼约 16 倍
（表 3）。然⽽，在⼤多数情况下，HC5 和⼤号HC5值在 2
的因数内。
发现 Bootstrap 回归对于实现良好模型拟合的⼩型数据
集特别有⽤。我们将对数逻辑回归与引导程序相结合，以
提⾼对数据的拟合度。例如，两个参数模型都很好地适应
了⼩型镍数据集（表 3；图 4）。尽管传统的对数逻辑模
型暗⽰镍 HC5 估计值为 529.7 升g/l，bootstrap 回归进
⼀步改善了模型拟合，但在 321.7 处⽣成了更保守的 HC5
升g/l（表 3；图 4）。
选择合适的 SSD 分析⽅法很重要，因为各种⽅法可能会
产⽣不同的 HC5 和⼤号HC5值。为了获得最佳的 HCp 估
计，我们建议应通过所有四种⽅法分析收集的数据。提供
最佳拟合的⽅法，尤其是在下尾可以通过考虑决定系数来
识别（r2个) 与⽬视检查相结合。随后，可以估计最终的
HCp 更多
 198
表3
HC5值与其置信下限的⽐较（⼤号HC5) 对于通过不同⽅法计算的 95% 单尾（相当于 90% 双尾）置信区间⼀个
化学品 弹药- 氯丹镉 铜狄⽒剂 Endosul- 带领 林丹 ⻢拉- 镍 五- 苯酚 钾 三氯甲苯
尼亚 扇⼦ 硫磺 氯- 重铬酸盐 ⼄烷
苯酚

JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202

样本量 14 31 8个 24 33 25 36 35 28 9 30 28 33 12 7
对数正常
⼀个 1.162 0.656 1.177 1.490 0.893 0.572 0.977 0.661 0.716 0.962 1.399 1.356 1.541 2.424 1.121
b - 5.185 - 2.022 - 0.985 - 3.477 - 1.302 - 0.346 - 3.733 - 1.262 - 1.638 - 3.936 - 3.871 - 6.167 - 6.437 - 11.71 - 5.344
r2个 0.964 0.913 0.945 0.984 0.847 0.904 0.904 0.914 0.932 0.979 0.980 0.941 0.961 0.841 0.981
HC5 1110 3.76 0.275 16.96 0.412 0.005 137.1 0.263 0.979 241.3 38.99 2166 1288 14206 1994
⼤号HC5 529.2 0.608 0.084 12.06 0.068 0.001 32.39 0.044 0.222 109.1 26.21 1046 772.0 5897 961.3

原⽊物流
⼀个 4.460 3.083 0.837 2.333 1.458 0.604 3.820 1.909 2.287 4.093 2.767 4.549 4.178 4.831 4.767
b 0.402 0.737 0.367 0.332 0.525 0.830 0.490 0.738 0.679 0.465 0.358 0.360 0.324 0.177 0.386
r2个 0.979 0.940 0.947 0.971 0.913 0.897 0.901 0.914 0.955 0.970 0.973 0.977 0.942 0.771 0.887
HC5 1892年 8.22 0.570 22.67 0.817 0.014 238.2 0.545 1.941 529.7 51.52 3083 1675 20417 4271
⼤号HC5 442.4 1.07 0.039 6.842 0.060 0.001 62.01 0.072 0.167 25.24 19.34 834.8 691.0 8110 180.2

基本引导程序
HC5 ⽆损检测 0.511 ⽆损检测 25.10 2.795 0.049 314.1 0.178 2.780 ⽆损检测 49.79 1495 1796 ⽆损检测 ⽆损检测
⼤号HC5 ⽆损检测 0.200 ⽆损检测 24.00 2.356 0.040 20.70 0.170 2.047 ⽆损检测 37.00 510.0 1700 ⽆损检测 ⽆损检测
基于对数逻辑模型的 Bootstrap 回归 HC5
1819 12.96 0.480 13.07 0.863 0.008 795.9 0.546 1.448 321.7 30.14 2670 919.7 16375 1605
⼤号HC5 238.9 0.983 0.034 5.652 0.384 0.001 120.7 0.087 0.327 33.04 13.97 1261 520.8 8354 330.0

注意：对数正态模型：是¼斧头þb在哪⾥是是概率尺度的百分位数，X是对数刻度的浓度，⼀个是斜率和b是⼀个y-截距。对数逻辑模型：是¼1=½1个þ
expð-ðX-⼀个Þ=bÞ,在哪⾥是是受影响物种的百分⽐，X是对数刻度的浓度，⼀个和b是常数。
⼀个两个值都表⽰为升克/升。还提供了对数正态和对数逻辑模型的模型参数。ND：未定义，由于样本量⼩（ñ <20).
 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202 199

图 3. 通过不同⽅法获得的镉的 SSD：(A) log-normal (y-概率轴）；(B) 原⽊物流；(C)、标准⾃举和 (D) ⾃举回归。实线表⽰ HCp，⽽虚线是双尾 90% 置

信区间。插⼊的数字放⼤了较低的百分位数区域。两种传统模型⽅法拟合的曲线与 SSD 下端（A、B）的实际数据点有很⼤偏差。相⽐之下，标准引导程
序计算的 HCp 紧随整个数据分布 (C)。⾃举回归技术⽣成的曲线与传统的对数逻辑模型 (D) ⾮常匹配。

可靠地通过最好的⽅法。作为⼀般准则，(1) 当有⾜够的 进⼊单⼀类别的模型。这与各种数据摘要相结合，为⻛险

数据（物种）时，建议使⽤标准引导⽅法，并且（2）引 评估⼈员提供了⼴泛的可⽤⽅法。然⽽，在最近的⽂献
导回归对于通过指定回归模型实现良好拟合的⼩数据集特 中，似乎通常没有应⽤所有的⽅法。表 4 表明使⽤对数正
别有⽤。 态模型拟合的最敏感的毒性数据是最常⽤的。我们已经证
明，数据质量、数量、摘要和模型选择都会或多或少地影
响分析。我们认为，承认这些差异对于提⾼透明度⾮常重
要
5. 讨论

开发的 SSD ⽅法的多样性证明了毒性数据并不⼀致

200 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202

图 4. 使⽤不同⽅法的镍 SSD：(A) 对数正态分布（y-概率轴）；(B) log-logistic 和 (C) bootstrap 回归。实线表⽰ HCp，⽽虚线是双尾 90% 置信区间。插
⼊的数字放⼤了较低的百分位数区域。对于这么⼩的数据集，两种参数化⽅法（r2个¼0:98 [log-normal] 和 0.97 [log-logistic]) (A, B)。与对数逻辑⽅法
(C) 相⽐，⾃举回归在下尾给出了更好的拟合曲线（因此 HCp 估计）。

表4
应⽤于 SSD 分析的已发布概率⻛险评估数据摘要和分布
物质 媒体 数据汇总 模型 参考
阿特拉津 淡⽔ 最敏感 对数正常 所罗⻔等。(1996) 坎⻉
双季铵盐 淡⽔ 最敏感 对数正常 尔等⼈。(2000) van
邻苯⼆甲酸盐 淡⽔、咸⽔、⼟壤 淡⽔ ⼏何的 原⽊物流 Wezel 等⼈。(2000) 所
拟除⾍菊酯 ⼏何平均数 对数正常 罗⻔等⼈。(2001) 霍尔
三丁基锡 淡⽔和盐⽔ 最敏感 对数正常 等⼈。(2000)

基于概率⽅法的⻛险评估过程。 数据点，建议将 10 个数据点作为⽣成监管决策可能基于

的可靠估计的最低数据要求。⽬前最低数据要求⼀般在10
我们已经证明 SSD 分析输出（对数正态和对数逻辑）似 以下
乎稳定在 10‒15
 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202
其中 SSD ⽤于得出⽔质⽬标（例如，经合组织建议⾄少 5
个数据点）。我们还证明了输⼊数据的质量会对 SSD 输出
产⽣影响，强调需要严格的质量标准来包含数据。此处使
⽤的质量⽅案（⽅框 1）或为⽣态（⽣态毒理学）基准开
发的质量⽅案（Durda 和 Preziosi，2000 年）需要应⽤
于 SSD 分析。
数据摘要不可避免地会导致可⽤数据集中有⽤信息的丢
失。尽管需要估计每个物种的平均响应，但仍需要了解单
⼀物种测试的可变性。我们⽬前缺乏⼀种数学解决⽅案，
该解决⽅案将允许包含所有数据，同时保留物种级别的保
护。因此，我们需要在简单性和易⽤性之间做出权衡，这
本⾝可能是对 SSD 分析结果应⽤适度安全系数的论据。
有多种不同的模型可⽤作⻛险评估⼯具。每种⽅法在不
同情况下会更合适。例如，如果有⾜够的数据并且对数正
态模型拟合良好（尤其是在下尾），它将充分描述⻛险并
传达对管理策略的影响。然⽽，在某些情况下，对数逻辑
分布会更好地拟合数据并产⽣更真实、因此更有⽤的结
果。如果这两个参数描述符都不能充分描述数据（⽆法拟
合较低百分位数区域的数据），那么评估者可能希望转向
引导技术，如果有⾜够的数据可⽤（n >20 HC5 或n >10
对于 HC10），可以应⽤正常的重采样⽅法（Grist 等⼈，
出版中）。或者，如果数据有限，⾃举回归程序将提供点
估计 (HC5) 和相关的置信区间，由于样本量不⾜，⽆法使
⽤标准⾃举确定这些置信区间。
⼀般来说，我们建议考虑所有可⽤的技术，以便监管决
策仅基于来⾃最合适⽅法的信息。⻛险评估通常会提出特
定于物质或地点的问题，因此程序的灵活性可能是⼀个积
极的优势。然⽽，我们认为，⽅法范围的应⽤需要标准
化，以最终确保整个过程的透明度。
致谢
我们感谢 CEFIC ⻓期资助计划。EPM Grist 得到英国⾃
然环境研究委员会的⽀持。梁家美
201
感谢⾹港裘槎基⾦会提供博⼠后研究奖学⾦。
参考
Aldenberg, T., Slob, W., 1993. 危险因素的置信限度
基于对数逻辑分布的 NOEC 毒性数据的浓度。⽣态毒理学和环境安全
25, 48‒63。ANZECC 和 ARMCANZ，2000 年。澳⼤利亚和新西兰
淡⽔和海⽔质量准则。国家⽔质管理战略⽂件第 4 号。ANZECC 和
ARM-CANZ，堪培拉。
Campbell, KR, Bartell, SM, Shaw, JL, 2000。
使⽤敌草快⼆溴化物案例研究来分析杀⾍剂的⽔⽣⽣态⻛险。⼆。使
⽤商和分布的⽅法。环境毒理学和化学 19 (3 ), 760‒ 774。
Crane, M., Newman, MC, 2000。什么⽔平的效果是不
观察效果？环境毒理学与化学 19 (2), 516‒519。
Crane, M., Sorokin, N., Wheeler, JR, Grosso, A., Whitehouse, P.,
Morritt, D., 2001。欧洲沿海和河⼝⻛险评估⽅法。载于：Newman,
MC, Roberts Jr., MH, Hale, RC (Eds.)，沿海和河⼝⻛险评估。刘易斯
出版社，伦敦，第 15-39 ⻚。
Durda, JL, Preziosi, DV, 2000。毒物的数据质量评估-
⽤于得出⽣态毒理学基准的逻辑研究。⼈类和⽣态⻛险评估 6 (5),
747‒765。
Efron, B., Tibshirani, RJ, 1993。Bootstrap 简介。
查普曼和霍尔，纽约，美国。
Feibicke, M., Ahlers, J., 2001. 环境影响评估
具有⼤型数据库的物质有⼀些更详细的解释。为 EU-ECB 特别技术会
议准备：数据丰富物质的 PNEC 推导。Umwelt Bundes Amt，柏
林。
Forbes, TL, Forbes, VE, 1993。对分配使⽤的批评-
基于⽣态毒理学的外推模型。功能⽣态学 7, 249‒254。
Giesy, JP, Solomon, KR, Coates, JR, Dixon, KR, Giddings,
JM, Kenaga, EE, 1999。毒死蜱：北美⽔⽣环境的⽣态⻛险评估。环
境污染和毒理学综述 160, 1‒129。
Grist, EPM, Leung, KMY, Wheeler, JR, Crane, M.，出版中。
更好地⾃举估计危险浓度阈值以保护⽣物组合。环境毒理学和化学。
Hakanson, L., 1995。预测模型的最佳规模。⽣态的
建模 78, 195‒204。
Hall, LW, Scott, MC, Killen, WD, Unger, MA, 2000. A
切萨⽪克湾流域地表⽔中三丁基锡的概率⽣态⻛险评估。⼈类和⽣态
⻛险评估 6 (1), 141‒179。
Jagoe, RH, Newman, MC, 1996。
实体 NOEC 值。⽣态毒理学 6, 293‒306。
Leung, KMY, Morritt, D., Wheeler, JR, Whitehouse, P., Sorokin,
N., Toy, R., Holt, M., Crane, M., 2001。可以从淡⽔数据预测咸⽔毒性
吗？海洋污染公报 42, 1007‒1013。
Newman、MC、Ownby、DR、Mezin、LCA、Powell、DC、Chris-
tensen, TRL, Lerberg, SB, Anderson, B.-A., 2000。在⽣态⻛险评估
中应⽤物种敏感性分布：分布类型和⾜够数量物种的假设。环境毒理
学与化学 19 (2), 508‒515。Parkhurst, DF, 1998。算术与⼏何⽅法
环境浓度数据。环境科学与技术 32 (3), 92‒99。
202 JR 惠勒等⼈。/ 海洋污染公报 45 (2002) 192‒202

Shao, QX, 2000。危险浓度的估算基于 评估欧洲河⼝的农⽤化学品。环境毒理学与化学 18 (7), 1574‒1581。

NOEC 毒性数据：另⼀种⽅法。环境计量学 11 (5), 583‒595。
Stephan, C., Mount, D., Hansen, DJ, Gentile, JH, Chapman, GA,
Smith, EP, Cairns Jr., J., 1993. 设置的外推法 Brungs, WA, 1985。为保护⽔⽣⽣物及其⽤途制定国家⽔质数值标准
⽔质⽣态标准：统计和⽣态问题。⽣态毒理学 2, 203‒219。 的指南。美国 EPA，环境研究实验室，明尼苏达州德卢斯。

Smothers, CD, Sun, F., Dayton, AD, 1999。⽐较

算术和⼏何⽅法作为⽜线⾍种群集中趋势的度量。兽医寄⽣⾍学 81, Streiner, DL, 2000。你明⽩我的意思了吗？中央指数
211‒224。 趋势。加拿⼤精神病学杂志 45 (9), 833‒836。Toll, J.、Adams, B.、
Brix, K.、Burger, M.、Cardwell, R.、DeForest, D.、
Solbe, JF, Buyle, B., Guhl, W., Hutchinson, T., L€ange, R., Mark, U., Tear, L., Cordoso, T., 2001。推导出保护⽔⽣⽣态系统的物质的预测
Munk, R., Scholz, N., 1993。开发⽔⽣环境的危害识别。全⾯环境科 ⽆影响浓度的拟议⽅法。为 EU-ECB 特别技术会议准备：数据丰富物
学增刊，47-57。 质的 PNEC 推导。

Solbe, JF, Buyle, B., Guhl, W., Hutchinson, T., Kloepper-Sams, P., van Straalen, NM, van Rijn, JP, 1998。⽣态毒理学⻛险
⼤号€ange, R.、Munk, R.、Scholz, N.、Bontinck, W.、Niessen, 评估施⽤杀⾍剂后⼟壤动物群的恢复情况。环境污染和毒理学综述
H.，1998 年。ECETOC ⽔⽣毒性 (EAT) 数据库分析。⼀、总体介绍。 154、85‒141。
化学圈 36 (1), 99‒113。
所罗⻔、KR、⻉克、DB、理查兹、RP、狄克逊、KR、克莱恩、 van Wezel, AP, van Vlaardingen, P., Posthumus, R., Crommentuijn,
SJ、La Point、TW、Kendall、RJ、Weisskopf、LW、Giddings、 GH、Sijm、DTHM，2000 年。两种邻苯⼆甲酸酯的环境⻛险限制，
JM, Giesy, JP, Hall, LW, Williams, WM, 1996。北美地表⽔中阿特拉 特别强调内分泌⼲扰特性。⽣态毒理学和环境安全 46 (3), 305‒321。
津的⽣态⻛险评估。环境毒理学和化学 15 (1), 31‒76。Solomon, KR, Vega, MM, Urzelai, A., Angulo, E., 1999。所需的最少数据
Giddings, JM, Maund, SJ, 2001。概率⻛险
从⽆脊椎动物⽣态毒性实验中得出⼟壤质量标准。环境毒理学与化学
棉花拟除⾍菊酯的评估。⼀、实验室⽔⽣毒性数据的分布分析。环境 18 (6), 1304‒1310。
毒理学与化学 20 (3), 652‒659。
Wagner, C., Lokke, H., 1991。
Steen, RJCA, Leonards, PEG, Brinkman, UAT, Barcelo, D., NOEC 毒性数据中的化⽔平。⽔研究 25, 1237‒1242。
Tronczynski, J., Albanis, TA, Cofino, WP, 1999。⽣态⻛险