服务商物流服务能力的评价是建立联盟的基础，目前国内外有关物流服务能力成熟度评价研究的文献较少，为此，在对物流服务能力有关概念、理论进行研究的基础上，将其评价归结为一多类分类问题，建立了基于支持向量机(Support Vector Machine,SVM)的物流服务能力成熟度评价系统。
SVM是近年来由统计学习理论(Statistical Learing Theory,SLT)发展起来的。万普尼克(Vapnik,1998)、段凯博(Duan Kai Bo,2003)针对有限样本情况，建立了一套完整的、规范的基于统计的机器学习理论和方法。伯吉斯(Burges,1998)认为，SVM已成为机器学习的研究重点，在模式识别、概率密度估计、降维等领域获得越来越广泛的应用。
1.SVM评价中的物流服务能力指标体系
SVM评价中的能力由物流要素能力和物流运作能力两个指标组成
2.SVM评价中物流服务能力指标的量化
物流服务能力的评价指标较多，对各个指标可以采取不同的量化方法。
(1)运输能力覆盖率rrc:运输能力覆盖率是物流连线的数量和长度的分布，用服务商所拥有的运输路线数及其里程来描述；
(2)订单处理能力roc是接受订单的数量nox与按时、按质、按量完成nor订单数量no的比率，即：Toc=nor
(3)装卸能力ron用单位时间内装卸货物的重量或体积来描述；
(4)仓储能力rwc用服务商仓储设施的面积来描述；
(5)分拣能力rnc用单位时间分拣货物的数量来描述；
(6)订货缺货率ros是订货时缺货的产品数量nos与订货产品数量nop的比值,以最大缺货量N为衡量指标，采用斜坡函数构造Tos=nop缺货率与物流服务能力间的模糊隶属关系。
(7)服务态度rs的影响因素很多，采取二元对比排序法用模糊性的0~1的物流能力程度来表示；
(8)送货延迟时间too:以订货顾客允许的最早服务时间ET。和最晚服务时间LT。最为衡量标准，采取多布里拉(Dobrila,2001)提出的梯形隶属函数表示时间与服务能力的关系，规定标有I和Vt-ET,的区域物流服务能力得分为0,标有Ⅱ的区域得分为,标有Ⅲ的ET4-ET.t-LT,区域得分为1,标有IV的区域得分为LTd-LT,o
(9)准时交货比率rom,反映了服务商在规定的时间内准时交货的情况，用准时交货次数Vom与总交货次数Vm的比值表示，不需要涉及每次交货的数量
(10)顾客抱怨率rcc,反映了服务商所提供的服务没有达到顾客预期期望的程度，设时间段T内顾客抱怨次数为Vc,总交易次数为Vm,系数p·Vc为p,顾客抱怨率为：Tcc=Vn0
3.SVM评价中物流服务能力成熟度的评价尺度
对于物流服务能力，可以按梯级划分为若干层次，采用3.3.2中的5个等级标准进行测评，即：LSC={LSC1,LSC2,LSC3,LSC4,LSC5}={初始级，基本级，可重复级，定量管理级，优化级}。
4.物流服务能力SVM评价模型
支持向量机方法最初是从二维线性可分问题提出的，但在物流服务能力评价过程中，物流服务能力的指标因素与物流服务能力之间是非线性关系，而且，物流服务能力一般不能用“高”、“低”两种状态完全描述，因此对物流服务能力评价系统的建模要用支持向量机的多类分类算法。
许(Xu,1992)、纪延光等(2004)认为采用支持向量机对数据进行分类的主要思想是：通过事先选择的非线性映射将输入向量映射到高维特征空间，在这个空间中构造满足分类要求的最优超平面(Optimal Hyper-plane)来分割训练样本集，并且使训练样本集中的点距离该最优超平面尽可能地远，即使超平面两侧的空白区域(Margin)最大。
目前采用SVM解决多类分类问题主要有波托、科特斯等(Bottou、Cortes et al.,1994)所提出的一对一(1-v-1)和普拉特、克里斯蒂尼等(Platt、Critianini et al.,2000)所提出的一对其余(1-v-r)两种方法。丸山(Maruyama,2004)认为一对一方法训练过程简单，分类正确率高，选用(1-v-1)模式学习机对物流服务能力进行评价建模。
给定属于m级服务水平的h个训练样本T={(x,y;)},其中x;∈R"是第i个输入模式(即第i个服务商服务能力的对应评价指标),yi∈{1,…,m}是对应的期望输出(即物流服务能力的分类标志),这里，m=5,考虑到我国物流服务市场的现状，将物流服务能力成熟度分为三类，即：LSC={基本级，可重复级，定量管理级},此时m=3。要通过上述训练样本构造一个分类模型f(x)=w'x-b,使对未知样本x进行分类时的错误概率尽可能小。因为本研究属于多类分类问题，使用SVM进行分类时，需要有多个两类学习机，对每个样本集有m(m-1)/2个学习机，学习过程采取“最大赢分”策略。若当前学习机训练结果表明测试样本x属于第i类服务能力成熟度，则对第i类服务能力成熟度的分数加1,否则对第j类服务能力成熟度的分数加1,最后取具有最大分数的那一类为样本x的服务能力成熟度。
其中α;为Lagrange乘子，不为零的α;对应的样本为支持向量(Sup-port Vector,SV),b是偏置，是SVM设计时需要确定的参数。在研究中，物流服务能力成熟度评价指标与物流服务水平之间是非线性关
系，公式(3-10)的学习方法可以扩展至非线性空间。
由于SVM中引入了核函数而实现了非线性分类，同时在经验风险和函数集容量之间作了一个折中，从而防止了过拟合，提高了推广能力，且只需要较少的训练样本就可以获得较低的检测错误率。常用的核函数有：
(1)高斯核：K(x₁,x)=exp(-||x;·x|l²/2σ²);
(2)多项式核：K(x;,x)=(x₁·x+1)';
(3)感知器核：K(x;,x)=tanh(βx;·x+b)。
5.物流服务能力成熟度SVM评价仿真试验
通过研究可以发现，训练好的SVM对待检验的样本给出了正确的度量结果。应用支持向量机技术，对物流服务能力成熟度进行度量评价，能够为集成物流服务商选择盟员提供依据，就物流服务能力而言，存在不同类型的服务商。
