در این مقاله پارامترهای تابع کوواریانس‌های فضایی با استفاده از روش درستنمایی مرکب بلوکی برآورد می‌شود. در این روش درستنمایی مرکب با استفاده از تابع‌های چگالی توأم بلوک‌های زوجی داده‌های تفاضل‌یافته ساخته می‌شود. برای این منظور پس از انجام تفاضل‌گیری مجموعه داده‌های بزرگ را به مجموعه داده‌های کوچک‌تر افراز کرده تابع درستنمایی هر یک از مجموعه داده‌های کوچک‌تر به طور جداگانه محاسبه و در نهایت از طریق جمع به سادگی با هم ترکیب می‌شوند. از مزایای روش درستنمایی بلوکی این است که نیازی به معکوس کردن و محاسبه دترمینان ماتریس‌های با ابعاد بالا ندارد. سپس با استفاده از مطالعه شبیه‌سازی روش ارائه شده در این مقاله با روش درستنمایی مرکب بلوکی زوجی از نظر کارایی و محاسباتی مقایسه می‌شود. مطالعات شبیه‌سازی نشان می‌دهد که برآوردگرهای حاصل از روش ارائه شده به خوبی برآوردگرهای درستنمایی است. در نهایت یک داده واقعی مورد تحلیل قرار خواهد گرفت.

در تحلیل بیزی داده‌های فضایی-زمانی جرم و جنایت معمولاً به دلیل ناگاوسی بودن توزیع متغیر پاسخ و وجود تعداد زیادی متغیر پنهان در مدل تحت بررسی شکل بسته‌ای برای توزیع پسینی وجود ندارد. در این شرایط در استفاده از روش‌های مونت‌کارلوی زنجیر مارکوفی با چالش‌هایی نظیر وجود پارامترهای متعدد در ساختار سلسله‌مراتبی، محاسبات سنگین و زمان‌بر، انجام شبیه‌سازی گسترده، به‌ویژه زمانی که بعد میدان تصادفی بزرگ است و سرانجام عدم همگرایی توزیع پسینی مواجه می‌شویم. برای حل این مشکلات روش تقریب لاپلاس آشیانی جمع‌بسته پیشنهاد شده است. مزیت این روش این است که برآوردهایی از منظر وقوع جرم وجنایت در مکان و زمان معین ارائه کرده و همچنین نواحی با رفتار غیر‌معمول را تشخیص می‌دهد. در این مقاله با استفاده همزمان از  GIS و روش قریب لاپلاس آشیانی جمع‌بسته در یک مطالعه موردی به  تحلیل داده‌های جرم و جنایت بخشی از کشور کلمبیا می‌پردازیم.