从赫芬代尔指数到空间基尼系数再到EG指数、MS指数，产业集聚程度的测度方法有了很大进展，但这些方法只能衡量单一尺度地理单元（省级、地区级、国家级等）经济活动的空间分布情况。若要详细描述经济活动的地理分布，则需要同时反映其在不同空间尺度地理单元上的分布特征，而不是受制于人为或已有的行政单元划分。基于距离的多空间尺度方法解决了这一难题，特别是从20世纪90年代后期以来，这种方法备受关注。

基于距离的多空间尺度方法实质是将区域内的企业视为点，然后通过分析这些点的分布状态来了解区域产业的分布情况。这类方法源于Ripley于1976年提出的K函数。之后，Besag、Diggle、Marcon等在此基础上加以修正，发展成L函数、D函数、M函数，使之逐渐完善。基于距离的多空间尺度方法有很多优点：

第一，它不受地理空间尺度的限制，可以同时解释不同范围内经济活动的空间分布；不受行政单元的限制，可以更加精确地描述经济活动的空间结构。(www.daowen.com)

第二，基于距离的多空间尺度方法可以揭示某类经济活动在哪个范围内显著集中或分散。例如，它可以说明某行业在10千米内是明显集中的，而传统方法只能揭示在某个空间尺度上（如省级）经济活动是集中还是分散的，集中度的大小则依赖于区域划分的规模尺度。

但是，基于距离的多空间尺度方法对数据的质量要求很高，不仅需要每一个企业的统计指标，还需要知道每个企业的空间分布数据并且一一表现在地图上，因此，基于距离的多空间尺度方法虽然精确，但其存在数据难以获得、处理难度大、工作量大、速度慢等实际应用的困难。很多情况下，获取的数据质量还达不到这些要求，因此本书中不再对K函数、L函数、D函数、M函数等作更详细地介绍。除此之外，信息嫡、锡尔系数、地理联系系数（Coeffcient of Geographical Association）、联系指数（Index of Connectivity）等方法也是较多采用的分析方法。