定量微生物风险评估（QMRA）常被视为饮用水安全的 “精准计算器”，但最新研究揭示了其潜在漏洞：模型中 “变量独立” 的假设可能严重低估真实风险。发表于《Water Research》的研究通过模拟实验和案例分析，指出病原体浓度、处理效率等变量的关联性可能放大风险，为完善风险评估体系敲响警钟。

传统 QMRA 模型假设：水源病原体浓度、处理工艺效率、人群饮水量等变量相互独立，即一个变量的变化不会影响其他变量。但研究表明，现实中这些变量常存在 “协同效应”。例如，暴雨天气可能同时导致：① 源水病原体浓度飙升（地表径流带入大量污水）；② 处理厂消毒效率下降（浊度升高消耗消毒剂）。这种负相关性会使实际感染风险远高于模型预测值。

研究团队通过模拟实验证实了这一偏差：当病原体浓度与处理效率呈强负相关时，感染风险的均值可达独立假设下的 13 倍；即使弱相关（如冬季低温同时降低氯消毒效率和提高病毒存活率），风险也会被低估 1.4 倍。加拿大卡尔加里水厂的案例进一步验证了这一点 —— 冬季 Giardia 浓度升高时，处理厂氯接触时间不足导致去除效率下降，忽视这种关联会使年感染风险计算值比实际低 30%。

从科学本质看，这种偏差源于 “风险叠加效应”。就像 “暴雨 + 排水不畅” 引发的内涝损失远大于单一因素，病原体浓度与处理效率的负相关会放大极端风险的发生概率。传统模型假设变量独立，相当于忽略了 “最坏情况” 的协同可能性，从而埋下安全隐患。研究团队提出解决方案：采用 Copula 函数等数学工具建模变量关联，或通过同步监测（如同时记录源水浓度与处理参数）提升模型真实性。

该研究为饮用水安全管理带来重要启示：

模型需打破 “简化思维”：供水企业应避免依赖默认独立假设的简化模型，尤其在气候变化背景下，极端天气引发的变量关联更频繁。建议在暴雨、冬季等关键时段，强制启用关联风险评估模式。

监测体系需 “同步化”：当前源水、处理、用水数据常分开记录，难以捕捉变量关联。应建立 “时空配对” 数据库，例如在每次暴雨时，同步监测源水病原体浓度、滤池浊度、出厂水余氯等参数。

决策需留 “安全余量”：管理者应认识到模型存在不确定性，在制定标准时加入缓冲区间。例如，将目标风险控制在安全阈值的 1/10，以应对未被识别的变量关联。

饮用水安全的本质是对风险的动态平衡。QMRA 的进步不仅在于模型的精准度，更在于人类对 “不确定性” 的正视 —— 唯有承认变量关联的客观存在，才能让每一杯水的安全承诺更坚实。

原文链接：

https://doi.org/10.1016/j.watres.2024.121877