旅游业的发展水平和经济增长具有正相关关系。随着中国经济持续增长，人民生活水平不断提高，旅游业作为国家战略性支柱产业于 2018 年被正式列入国家“十三五”规划，从此，中国开启了旅游业高质量发展的历程。在新冠疫情爆发前，国内的旅游人次和收入均逐年增长，国内旅游市场稳定发展。但受新冠疫情影响，旅游活动中断。随着疫情防控进入常态化，“十四五”规划开局，景区作为旅游业发展的重要载体，为旅游经济的重启提供了重要支撑。高级别旅游景区更是推动国家和地方旅游经济转型和高质量发展的重要平台。中国旅游资源类型丰富，但旅游经济活力未完全释放，反映到景区层面，表现为旅游资源与景区活力不匹配。所谓景区活力是景区作为一种功能空间所能实现的旅游利益的能力。景区活力在一定程度上反映了旅游市场的需求状况。从现象上看，同一等级的景区，或人山人海，或门可罗雀，这种景区资源与活力不匹配的本质是旅游市场供需错位问题。由于景区活力受多种因素影响并且存在区域差异性，所以开展景区活力研究对解决旅游市场供需矛盾具有重要的意义。
近年来，中国旅游景区的研究关注点经历了从供给侧的旅游资源到需求侧的旅游者的转向。学者们在景区的时空分异和客流的时空演变两大领域展开了大量研究。景区作为一种旅游资源，早期的研究主要探讨旅游资源的分类和分级及其时空分布。学者基于不同级别的景区数据，对不同区域旅游资源的空间结构与特征开展了实证研究。在理论上旅游区位论的发展为景区客流研究提供理论解释，其中旅游圈和旅游域的提出为旅游供需匹配提供了理论基础；在实证研究中，已有研究主要关注客流的影响机制；微观上，游客偏好等方面的研究大量涌现。近年来随着大数据技术的进步，大数据在旅游研究中的运用为景区客流研究提供了新的可能，有学者基于大数据平台实现了地级市尺度的旅游客流量估算。在感知活力研究方面，利用新浪微博的签到密度、基于位置的服务 LBS（Location Based Service）定位数据等具有位置信息的数据对城市活力进行量化和测度是主要研究方法，以上研究为景区活力测算提供重要启示。但是，位置大数据具有覆盖人群广、时空分辨率高等优势，基于此开展旅游景区内部游客活力测度研究仍较为罕见。
因此，本文以中国 304 个 5A 级旅游景区为研究对象，结合兴趣面（Area of Interest，AOI）数据和腾讯位置大数据，对中国高等级旅游景区活力强度进行测度，用地理探测器分别探索省（区）、市（直辖市、地级市，以下称市）尺度下景区及活力强度的空间分布特征与影响因素 。AOI 数据可有效弥补 POI（ Point of Interest，POI）数据缺乏边界的不足，结合 AOI数据和位置大数据可对景区内部活力强度进行测算。在实践层面，本文从省（区）、市 2 个层面开展全国 5A 级景区分异特征和影响因素研究，有助于从多尺度认知景区活力强度空间分异现状及影响因素，为评估景区活力、识别旅游资源与旅游景区活力强度不匹配状况提供方法参考。
2.1 研究数据
(1) 腾讯用户密度数据（Tencent User Density，TUD）
本研究通过腾讯位置大数据平台采集到全国范围内2019 年 4 月 28 日到 2019 年 5 月 10 日每小时的腾讯位置大数据（不含港澳台数据）。本研究将所获得的 TUD 数据分为节假日TUD（劳动节假期：2019年5月1—4日）和工作日TUD（2019年4月28日至5月10 日，排除劳动节假期数据），利用加权求合法将两组 TUD 数据聚合生成 2019 年的年度 TUD 数据。具体的计算公式和更加详细的数据介绍请参考全文。
本研究继续利用 5A 级景区的 AOI 数据对年度综合TUD 进行提取，得到 5A 级景区的年度 TUD 数据（下称 TUD 数据）。需要特别指出的是广西北海涠洲岛国家地质公园鳄鱼山景区和海南分界洲岛旅游区的 AOI 面积过小，予以剔除，最终使用 304 个5A 级景区的数据。
(2) 兴趣点数据
本研究采用网络爬虫技术，并结合互联网电子地图，获取到省（区）和市的住宿服务、餐饮服务和景区 POI 数据。
(3) 兴趣面数据
本研究利用网络爬虫技术，并结合百度、高德、360 等地图等获取全国 304 家 5A 级景区的AOI 边界。
2.2 变量选择
本研究从交通条件、服务接待、经济发展、资源禀赋和市场条件等方面分别选取 18 个和 10 个指标作为研究省（区）尺度和市尺度 5A 级旅游景区活力强度影响的候选变量。经相关性检验，发现在省（区）层面有 4 个变量，市层面有 7 个变量与景区活力强度相关性较高；其中影响省（区）景区活力的 4 个代理变量是：铁路密度、人均生产总值、旅行社数量、人口密度；影响市景区活力的 7 个代理变量是：常住人口、旅游收入、第三产业增加值、住宿服务、餐饮服务、5A级景区数量、景区兴趣点数量。
2.3 研究方法
（1）景区活力强度指数
活力强度能够反映某一地区的人群聚集程度。本文通过计算 5A 级景区的 TUD 数据与景区面积的比值作为每个景区的活力强度。
式中，Vint 表示景区的活力强度值，活力强度值越高，表明在该景区人群聚集密度越高，活力强度值越小，人群集聚密度越低；St 为景区 t 的面积（km2）；TUDt为景区 t 的年度 TUD 值。
（2）地理探测器
地理探测器的核心思想是假设某个自变量对某个因变量有重要影响，那么变量之间的空间分布具有相似性。其中，因子探测可以较好地表达区域内的空间分异性，而交互作用探测可以识别不同因变量之间的交互作用。本研究首先使用 K-Means 方法对数据进行聚类分层处理，再采用地理探测器中的因子探测器及交互作用探测来分析中国 5A 级景区数量及景区活力空间分布的影响因素以及交互作用。
（3）均值-标准差法
均值−标准差法是一种以某指标距离均值和若干个标准差来进行分级分类的统计方法具有统计学含义，运用该方法分别以μ–std、μ、μ std 3 个节点（μ 为均值；std 为标准差），并且将旅游景区活力强度与景区资源划分为 4 级，分别为低值 (–∞, μ–std)、中值 [μ–std, μ]、次高值（μ,μ std] 和高值（μ std, ∞)；依据一个区域高等级景区资源越多，活力越强的假设，采用叠置分析方法对不同尺度空间单元的景区资源与活力等级的组合进行匹配度分析。
3.1 不同空间尺度下高等级景区与活力强度的空间分异
3.1.1 省（区）层面高等级景区及活力强度的空间分布特征
景区数量和活力强度在空间分布上存在较大的差异。中国的高等级景区主要集中在东部的江浙 、山东和广东，而一些传统的旅游资源富集地，旅游经济占主导性的省（区），例如内蒙古、云南、贵州、西藏等省（区）的高等级景区数量却非常有限，这说明中国在大众旅游时代，整体上旅游还处于低水平竞争阶段，现有的景区资源难以满足日益增长的高品质旅游需求；高等级景区开发不足，与优势资源禀赋区存在错位现象。本文结合均值−标准差法与叠置分析，将 5A 级景区数量及活力强度指数分别进行分类，叠置得到省（区）5A 级景区数量与活力强度匹配状况，因不存在不匹配情况，故得到匹配、次匹配和次不匹配 3 种模式。
总体来看，景区数量与活力强度之间存在错位现象，代表着高等级旅游资源的 5A 级景区数量是景区活力强度的基础，但是有较多的旅游资源不表示活力强度高，活力强度高也同样不能代表该景区的旅游资源丰富。
3.1.2 市层面景区数量及活力强度的空间分布特征
（1）景区数量空间分布特征
从城市层面看，北京市、重庆市 2 个城市的景区数量最多（图 1），几乎沿海城市都有设立5A 级景区，同时中西部地区很多城市没有 5A 级景区。
审图号为GS（2020）4630号（自然资源部监制），底图无修改；不含港澳台数据
图1 中国市域5A级景区的空间分布
Fig1.Spatial distribution of the number of 5A-scenic spots in cities of China
（2）景区活力强度空间分布特征
景区活力强度最大的城市为：上海、桂林、大连、北京等，这些城市大多经济较为发达且人口较多，与当地的经济发展水平和人口数量在一定程度上存在重合的空间分布特征；景区活力强度较弱的城市集中在西部和东北部地区，该区域经济发展较为缓慢、人口密度低、服务设施较差，5A 级景区的活力强度较弱。此外，从图 2 中能够观察到景区活力较强的几个城市彼此相邻的集聚现象，如长三角的苏州、南京、镇江、嘉兴和上海形成了强活力集聚区。
审图号为GS（2020）4630号（自然资源部监制），底图无修改；不含港澳台数据
图2 中国市域5A级景区活力强度空间分布
Fig2.Spatial distribution of vitality intensity of 5A-level scenic spots in cities of China
（3）景区数量与活力强度匹配状况分析
图 3显示在市层面上存在旅游景区数量和景区活力不匹配的现象，并且该现象相较省（区）层面更加明显。城市间的景区活力与景区数量不匹配分两种情况，一种是高等级景区资源多，活力低；另一种是高等级景区资源少，活力反而高。前者反映存在资源过度开发；后者反映高等级景区资源开发不足。两种都是供需失衡的表现。
