用于区域经济发展差异比较的方法较多，在使用中我们主要看到有以下几种，基尼系数、Theil指数、Ellison-Glaese指数、加权系数、变差指数、沃尔森指数等，这些方法中都没有地区之间进行空间自相关运算的功能，故都不能表达地区之间的空间差异与辐射机制[1]。在GIS空间分析的基础上引出探索性空间数据分析ESDA（探索性空间数据分析）方法，定义区域的空间权重矩阵，通过区域物体空间布局和现象的描述与可视化，揭示异常的空间差异状况，探索研究对象的空间作用机制[3]。本文主要采用GIS条件下的区域空间探索性空间数据分析方法，对江苏省各市区县域1999～2014年每隔3年人均GDP的空间分布格局及动态演变进行深入探讨，分析江苏省各县域之间自相关性及相互依赖性。

2  数据来源及预处理与研究方法

2。1  数据来源

本文人均GDP数据主要来自于1999、2002、2005、2008、2011、2014年江苏省统计局）的统计年鉴，有些数据从国家统计局的统计资料或相关地区政府网获取；空间数据从国家1:400万基础地理信息库中下载。

2。2  数据预处理

（1）江苏省县域空间数据：本文是在ArcMap10。1里，以国家1:400万基础图为底图进行的矢量化，得到江苏省县域地理空间数据shapefile图（如图1），矢量化过程中是以江苏省2014年已形成的县域行政区为基准。

图1 江苏省县域空间数据shapefile图

图2 （2）把从从江苏省统计年鉴中获取的县域人均GDP数据分别对应赋值进江苏省县域空间数据shapefile图的属性表的“人均GDP”字段中。鉴于江苏省县域的人均GDP数据过大，故将江苏省县域人均GDP数据进行了标准化处理，即用各县的人均GDP数据分别除以当年中人均GDP最高的县而得到的值，这些值被分别对应赋在新的字段“BZF”里。“BZF”里的数据就是下文进行探索性空间数据分析使用数据，如图2是部分属性表数据。文献综述

2。3  研究方法

（1）全局空间自相关：全局空间自相关是研究属性在整个区域的空间特征，其反映空间邻接或空间邻近区域中单元观测值的相似程度[4]。Moran’s I指数是用来度量空间自相关的全局指标[5]，本文使用Moran’s I指数如下：

                                     公式（1）

公式（1）中，为全局Moran’s I指数的值，为空间权重矩阵（空间邻接为1，其它为0），、分别为区域i、j的特征值；Moran’s I指数取值在之间，表示正相关，表示不相关，表示负相关[6]；Moran’s I指数结果进行统计检验采用检验[7]。

                                                  公式（2）

公式（2）中，、分别表示数学期望值和方差[8]，检验结果表明所有区域单元观测值之间是否存在空间自相关。当时，表明存在正的空间自相关，反映了相似的观测值之间趋于空间集聚；当时，存在负的空间自相关，表明相似的观测值之间趋于分散分布；当时，则观测值处于独立随机状态[9]。

（2）局部空间自相关

空间联系的局部指标（local indicators of spatial association），简称LISA，LISA可以很好的描述局部区域的高值或低值集聚。LISA的局部Moran’s I指数。

                                                公式（3）