荣雪云，杨中楷， 刘 娜

(1.大连理工大学 人文与社会科学学部，辽宁 大连 116024；2.山东工商学院 工商管理学院，山东 烟台 264005；3.山东能源经济协同创新中心，山东 烟台 264005)

0 引言

创新过程是创新主体挖掘机会、搜索信息、学习技能、吸收知识及解决问题的复杂活动过程。在这一过程中，发明人扮演着重要角色。人才是创新的根基和核心要素，创新驱动实质上是人才驱动。创新主体要想取得突破性创新成果，除了需要具有一定创新基础，更重要的是引进具有创新潜力的发明人。十九届四中全会提出要完善科技人才发现、培养、激励机制，而发现和识别科技人才是前提。可见，对人才的发现和识别已经成为创新发展的重要一环。此外，合作创新作为当前科技创新活动的主要方式，为发明人获取资源、交换知识和信息提供有效渠道。因此，在当前科技人才战略实施和创新网络化背景下，有效识别发明人对完善人才培养、激励和分类管理至关重要。

现有针对发明人识别的研究主要从发明人拥有专利数量、被引频次以及发明人共现网络、知识网络等视角展开，主要对明星发明人或关键发明人进行识别和研究[1-2]。尽管对企业或研发机构来说，拥有明星发明人尤为重要，但并不表明一些新的想法或创意不会来源于其他类型发明人。因此，如何识别并发挥不同类型发明人的作用对企业或研发机构的人才管理和创新活动具有重要现实意义。考虑到发明人的创新活动嵌入在合作创新网络中，而发明人在网络中所处结构位置和发明人认知能力不同，使得发明人在网络中扮演的角色有所差异。因此，本文基于社会资本理论，从发明人结构资本和认知资本两个维度对合作网络中发明人的角色进行定义和划分，并进一步探讨不同角色发明人的利用性创新能力和探索性创新能力有何差异。

1 文献综述

在当前发明人辨识研究中，基于专利数量和专利引用率的度量成为学者普遍采用的划分方法。Ernst等[1]从发明人专利数量和质量维度度量并识别关键发明人，发现只有少数关键发明人掌握研发部门的核心技术；Pilkington等[3]将发明专利量和专利引用率均高于平均值的发明人界定为关键发明人，以燃料电池技术和纳米技术为例，比较分析了两个领域发明人分布差异；Rota等[4]以一项专利的发明人数量等比例划分每个发明人的专利申请量，采用极值法把发明人划分为关键发明人和普通发明人，并证实了关键发明人比普通发明人拥有更强的竞争力；Zacchia[5]将发明专利数量排名前5%的发明人定义为超级明星发明人，比较分析了超级明星发明人位置转移对合作伙伴和自身专利产出的影响。还有部分学者基于网络结构特征对发明人进行识别。如吴菲菲等[2]从共发明网络、知识网络、参与网络和需求网络4个层面识别了6类明星发明人。

当前，有关发明人角色与创新能力关系的研究较少，且主要集中在对合作网络中发明人的结构角色、关系角色及中间人角色研究上。Paruchuri[6]研究发现，在合作网络中扮演结构中心性的发明人，其结构中心性与创新绩效呈倒U型关系；Grigoriou & Rothaermel[7]将创新活动同时嵌入在知识网络和合作网络中的发明人定义为关系明星，发现关系明星的创新绩效高于非关系明星；Cattani & Ferriani[8]揭示了处于合作网络中心和网络外围中间位置的发明人创新产出更多，因为发明人的网络中心性使其能快速获得合作伙伴的知识资源，与网络外围间的连结使发明人能够及时捕获新的思想、知识和技术。

综上，学者从不同视角对发明人进行角色定义和分类，但主要集中于对关键发明人或核心发明人的识别及其创新能力的研究。此外，学者多探索不同角色发明人的一般创新能力，少有注意到创新产出在新颖性上的差异。根据创新新颖性，发明者创新能力可以划分为利用性创新能力和探索性创新能力[9-10]。利用性创新是对现有知识、技术的进一步改进，探索性创新涉及发现新的方法或材料，是对现有知识的进一步扩展[10]。在发明人合作创新网络中，结构资本描述了发明人个体网络的整体布局，认知资本反映了发明人在学习、分享专业知识和经验过程中逐渐积累的资源[11]。结构资本有助于发明人获取新的异质性知识资源，从而提高发明人探索性创新水平。认知资本有助于发明人在现有资源和发明经验基础上对知识进行再利用，进而提升发明人利用性创新水平。

本研究从社会资本视角，基于结构资本和认知资本两个维度，对合作创新网络中发明人的角色进行定义和划分，并实证分析不同角色发明人的二元创新能力。本研究以新兴交叉人工智能领域为研究对象，运用负二项模型检验理论假设，以期为提升各类角色发明人创新能力提供指导建议。

2 发明人角色识别

社会资本是指从社会网络关系中获取的实际或潜在资源的总和[12]，当前被学者广泛应用于创新领域。社会资本理论认为，个体所拥有的资本是约束其创新活动的重要因素[11]。因为不同类型创新活动需要不同知识和资源。而当前任何发明和知识创造都源于对现有知识或新涌现知识的组合或重组[10]。与此同时，不同维度社会资本表现为创新个体获取知识和信息资源的不同方式。其中，结构资本为创新个体带来新的异质性知识资源，认知资本确保创新个体对现有知识再利用。当创新个体既拥有结构资本特征，又具有认知资本特征时，相较于其他个体，其更具有创新优势。因此，本文基于社会资本理论，从结构资本和认知资本两个维度对发明人角色进行划分。

2.1 结构资本与认知资本

在合作创新网络中，合作关系差异使发明人处于不同网络位置，进而获得不同知识和认知资源。发明人的结构嵌入能带来结构资本，反映了合作创新网络中发明人间的整体联系结构[13]。结构洞作为衡量结构资本的指标，在以往研究中被学者用来解释结构资本对个体获取资源和提升创新能力的影响[11,14]。已有研究表明，占据结构洞位置的发明人能够及时、有效地获取合作者的知识和信息资源，从而使其能够掌握最新发展动态和研究前沿[15]。这对提高发明人创新水平至关重要。因此，本文使用结构洞测量发明人的结构资本，参考Wang等(2014)改进的结构洞测量方法[16]，计算公式如下：

StructuralHolei=2-Ci

=2-∑j(Pij+∑q≠i≠jPiqPqj)2

式中，Ci表示发明人i的总约束值，Ci值越大，表明发明人i占据较少结构洞的网络位置；Pij表示发明人i与发明人j合作的频次占发明人i与其他发明人总合作频次的比值；Piq和Pqj的含义同Pij。

认知资本指发明人随着时间推移在积累知识、学习技能、分享经验及实践规范过程中形成的资源[13]。在合作创新网络中，发明人间的知识共享和学习需要个体间具有共同基础，如相同的价值观、目标、实践规范及实践中的个人任期[17]。当发明人拥有丰富的专业知识和学习经验，并与其他发明人保持长期合作时，发明人的认知资本将得到提升。在某一领域拥有较高认知资本的个体可以更深入地理解专业知识，从而发挥其核心知识基础，最终能够在创新活动中加以利用[17]。此外，认知资本较高的个体在创新活动中具有判断研究质量的能力，因为该类个体往往经验丰富，对研究前沿、热点及趋势有更深入的了解和独特见解[18]。借鉴Li等(2013)的做法，本文采用研究任期，即发明人首次被授予专利年份至当前研究时期的时间段衡量发明人的认知资本[18]。例如，某发明人2010年首次在人工智能领域被授予项专利，则在2020年的认知资本值为11。

2.2 发明人角色划分

本研究在特定时间窗口内，依据发明人在合作创新网络中的结构资本和认知资本的二维组合对发明人角色进行划分。具体地，通过计算发明人在各时间窗口中的结构资本和认知资本，以各自平均值为标准绘制散点图，将二维分布图分成4个象限。其中，第一象限发明人具有高结构资本值和高认知资本值，被定义为“明星”发明人；第二象限发明人拥有高结构资本和低认知资本值，被定义为“纽带”发明人；第三象限发明人具有低结构资本值和低认知资本值，被定义为“平庸”发明人；第四象限发明人拥有低结构资本值和高认知资本值，被定义为“活跃”发明人。图1给出了4种发明人角色定义。

图1 发明人角色划分

3 研究假设

3.1 发明人二元创新

自从March(1991)对组织学习中的利用性与探索性关系进行探讨以来[19]，不断有学者研究二元创新。Lavie 等(2011)根据创新发明在新颖性程度上的差异，将创新模式分为利用性创新和探索性创新[20]。利用性创新是指对现有知识、方法或技术的改进，探索性创新是指对新知识、方法或技能的发现和创造[9,21]。二元创新对知识和资源要求不同，并且表现出不同知识形成过程。借鉴现有研究，根据发明人所拥有发明创造知识元素的存在性，本文将发明人创新能力划分为利用性创新能力和探索性创新能力。其中，利用性创新能力反映发明人对现有知识、资源的再利用程度，探索性创新能力反映发明人对新知识、资源的搜索程度。

3.2 不同角色发明人的二元创新能力

在合作网络中，结构资本反映发明人结构嵌入所带来的知识、信息等资源。结构洞作为网络中最能为发明人带来信息资源的位置，被学者广泛用于衡量发明人拥有的结构资本[11,14]。Burt(1992)的结构洞理论认为，占据网络结构洞位置的个体具有较强竞争优势，不仅能够获得多方合作伙伴的非冗余知识，而且能够控制知识流动[22]。在发明人合作网络中，拥有较多结构洞的发明人能够迅速、及时地捕获最新知识、方法和技能，掌握最新发展动态，而获取信息的速度和及时性有助于发明人利用性创新[9,19]。因为利用性创新建立在现有知识基础之上，以现有知识组合和重组过程为特征。因此，在发明人及时了解当前研究趋势情况下，能够迅速作出反应并开展相关研究。此外，占据结构洞位置能够有效提升发明人本地搜索能力，并成为信息流动枢纽，从而控制与其直接合作的发明人以进行本地化知识搜索。对本地现有知识的搜索和集成能够有效促进发明人的利用性创新活动[11]。

在创新过程中，发明人探索性创新行为需要异质性和多样化知识资源。在合作网络中，发明人拥有的结构资本有利于其开展探索性创新活动。根据结构洞理论，占据结构洞位置的发明人起到纽带作用，能将彼此分离的发明人连结起来，并有效传递发明人之间的新知识、方法和技术[22]。占据较多结构洞为发明人创新过程中产生新思想、新方法以及激发发明人创新思维提供有利条件。同时，由于不同发明人拥有的核心知识资源各不相同，而占据结构洞位置的发明人处于不同领域知识的交汇处，为发明人接触大量非冗余异质性知识资源提供便利[23]。此外，在合作网络中，发明人占据结构洞位置越多，其对直接合作伙伴的信息控制能力和剔除冗余信息的能力就越强，从而保证所获取信息资源的异质性和多样性。因此，发明人探索性创新行为可从其结构资本带来的异质性知识资源中获益。

认知资本反映发明人长时间从事特定领域研究所积累的知识、经验和技能等资源。也就是说，发明人在特定领域任期越长，个人认知资本也就越丰富。已有研究表明，发明人利用性创新活动很大程度上依赖于其拥有的核心知识基础及对特定知识领域的深刻见解[11,16]。而在特定研究领域具有较长任期的发明人与新进入者相比，不仅能够更加深入、细致地理解领域内现有核心知识资源，而且自身也积累了一定程度的专业知识和技能，这将有利于发明人在利用性创新过程中更好地加以利用[17]。此外，考虑到利用性创新行为是对现有技术、知识、方法和规则进行增强性搜索和深入研究的过程，而发明人认知资本对这一过程具有显著影响[11]。因此，发明人利用性创新能够从其拥有的更多认知资本中获益。

探索性创新行为通常具有一定风险性和不确定性，而具有较长任期的发明人一定程度上对研究前沿、最新趋势和未来创新机会有更深入的见解和敏锐的洞察力。因此，认知资本较高的发明人往往能够更好地抓住机会，从事探索性创新研发活动[24]。也就是说，发明人在特定研究领域任期越长，掌握和理解专业知识越深入，当其进行探索性创新活动时就会有更强的研究基础和判断研究质量的能力[18]，而这些对探索性创新尤为重要。此外，探索性创新往往需要集成多种想法和观点。由于拥有较高认知资本的发明人通常更受人尊重，因此能够吸引更多发明人与其进行思想、知识交流，有利于其整合不同思维和观点[25]，从而提高探索性创新能力。

在合作网络中，与“纽带”、“平庸”和“活跃”发明人相比，“明星”发明人占据较高结构资本和认知资本优势。结构资本能为发明人及时获取新知识、思想和技术提供便利，认知资本提高了发明人学习、吸收新知识及整合现有知识的基础和能力，这将快速、有效地促进“明星”发明人整合外部知识和内部知识，从而提高“明星”发明人利用性和探索性创新能力。与“明星”、“纽带”和“活跃”发明人相比，“平庸”发明人既不具有结构资本优势，也不具有认知资本优势。因此，“平庸”发明人不仅缺乏获取异质性知识资源的优势，而且自身也不具备核心竞争力。综上，提出如下假设：

H1a：4类角色发明人中，“明星”发明人的利用性创新能力和探索性创新能力最高；

H1b：4类角色发明人中，“平庸”发明人的利用性创新能力和探索性创新能力最低。

此外，对于拥有认知资本优势而缺乏结构资本优势的“活跃”发明人而言，长期积累的方法、知识和技能等核心资源使其能够在现有知识基础上产生创新性发明。对于拥有结构资本优势而缺乏认知资本优势的“纽带”发明人而言，自身拥有的核心知识资源较少，与“活跃”发明人相比，缺乏在现有知识基础上进行创新的竞争力。因此，相对于“纽带”发明人来说，“活跃”发明人利用性创新水平较高。

然而，当现有知识资源不能解决当前的复杂技术问题时，发明人需要探索新的知识。“纽带”发明人由于占据较多结构洞位置，能够及时捕获合作伙伴新颖的知识资源，有利于发明人拓展创新思维，产生新思想，进而提高探索性创新水平。而对于“活跃”发明人而言，由于在合作网络中缺乏位置优势，因而很难获得新的知识资源，从而不利于提升其探索性创新能力。因此，相对于“活跃”发明人来说，“纽带”发明人探索性创新水平更高。综上，提出如下假设：

H2a：“活跃”发明人的利用性创新能力高于“纽带”发明人；

H2b：“纽带”发明人的探索性创新能力高于“活跃”发明人。

4 研究方法

4.1 数据来源

本研究以人工智能领域为研究对象，主要是考虑该领域属于新兴交叉技术领域，以多技术紧密交互为特征，有利于观测利用性和探索性创新行为。借鉴Fujii&Managi(2018)、陈军等(2019)对人工智能技术专利检索策略[26-27]，本研究采用关键词检索方法，从德温特专利数据库(Derwent Innovations Index，DII)检索标题中含有人工智能领域专利检索词(见表1)的专利，时间跨度为1995—2018年。经数据清洗，最终获得人工智能领域专利45 291项。采用5年移动时间窗，利用Sci2 Tool软件构建15期发明人合作创新网络(2000—2004，2001—2005，...，2014—2018)。基于发明人结构资本和认知资本得分，识别出“明星”发明人1 343名、“纽带”发明人1 127名、“平庸”发明人2 298名、“活跃”发明人2 935名。图2给出了人工智能领域不同角色发明人数量的动态变化趋势。

表1 人工智能领域专利检索词

图2显示，在人工智能技术领域2000—2018年15期合作创新网络中，“活跃”发明人数量绝大部分时间段处于最高水平，其次是“明星”发明人。表明在研究期内，人工智能领域的发明人具有认知资本优势，这符合新兴技术领域发明人的风险规避策略，即发明人为降低创新失败可能性，更倾向于通过提高自身认知资本来提升创新能力。同时，在整个研究时期内，不同角色发明人数量都有所上升，其中“活跃”发明人尤为明显。说明不断有新的发明人参与到人工智能技术领域研发中。

图2 不同时期各角色发明人数量

4.2 变量选取

现有研究多使用专利IPC技术代码表征技术知识元素或知识领域。依据专利涵盖的技术领域范围不同，每项专利被分配一个或多个IPC技术代码。考虑数据可得性，本研究将IPC代码作为知识元素的有效代理。此外，以往研究多使用4位IPC代码表征知识元素，在一定程度上弱化了专利所包含的细分技术知识元素。为全面反映发明人拥有的技术知识，本研究使用9位IPC代码表征技术知识元素。

因变量是发明人的利用性创新能力和探索性创新能力。基于专利9位IPC技术代码，借鉴刘娜[10]的做法，本研究匹配发明人在观测年t的每项授权专利含有的IPC代码，是否在过去5年(t-5～t-1)该发明人所有授权专利含有的IPC代码中出现。如果某一专利所有IPC代码在过去5年都出现过，则此项专利被视为该发明人的利用性创新专利；如果某一专利所有IPC代码在过去5年至少有1个没有出现过，则此项专利被视为该发明人的探索性创新专利。本研究使用利用性和探索性创新专利数量衡量发明人某年的利用性创新能力与探索性创新能力。

自变量是发明人角色。由于发明人角色属于定性指标，因此本文采用类别虚拟变量研究发明人角色。具体而言，在每个回归模型比较中，选定一类发明人角色作为参照组，其得分设为0，其他类型角色发明人得分设为1，比较默认角色发明人与其他角色发明人的二元创新能力差异。

此外，本研究控制了可能影响创新能力的其它因素，包括平均连结强度、度中心性、接近中心性和研发投入。其中，研发投入用发明人在观测年t的前5年获得的授权专利数量衡量。

4.3 模型设定

因变量利用性创新能力和探索性创新能力均为计数型变量且只取非负值，考虑选择负二项模型或泊松模型。然而，因变量均值不等于方差，因此采用负二项回归模型。此外，为确定选择标准负二项模型还是零膨胀负二项模型，进行了Vuong检验。Vuong值|V|远小于1.96，因此选择标准负二项模型。对于面板数据，有固定效应和随机效应模型可供选择，Hausman检验结果支持选择固定效应模型。

5 研究结果与分析

5.1 描述性统计

表2报告了人工智能领域发明人样本的描述性统计与相关系数。结果显示，因变量探索性创新的均值和最大值均高于利用性创新，表明发明人的探索性创新能力高于其利用性创新能力，这与人工智能是近几年快速发展起来的新兴技术事实相一致。此外，各变量的方差膨胀因子(VIF)值均低于5，表明各变量间不存在严重的多重共线性问题。

表2 描述性统计与相关系数(N=20 519)

5.2 回归结果

表3显示了面板数据的负二项回归结果。其中，模型1、5均为基本模型，仅包含控制变量。模型2、6在基本模型基础上，以“明星”发明人为参照组，检验“明星”发明人的二元创新能力是否高于“平庸”、“纽带”和“活跃”发明人。模型3、7在基本模型基础上，以“平庸”发明人为参照组，结合模型2、5，检验“平庸”发明人的二元创新能力是否低于“纽带”和“活跃”发明人。模型4、8在基本模型基础上，以“纽带”发明人为参照组，结合模型2、6，检验比较“纽带”发明人和“活跃”发明人的二元创新能力。

表3 固定效应负二项回归结果

表3结果显示，模型2、6的系数具有期望的负向符号，且均在p<0.01的水平下显著，因此H1a得到验证，即“明星”发明人的利用性创新能力和探索性创新能力最高。此外，在其它条件不变的情况下，由模型2、6可计算得到任意两类发明人之间的估计差异。其中，“平庸”发明人的利用性创新能力比“纽带”发明人及“活跃”发明人分别低0.368(-1.588+1.220)和0.996(-1.588+0.592)，探索性创新能力比“纽带”发明人及“活跃”发明人分别低0.233(-0.771+0.538)和0.472(-0.771+0.299)。然而，据此还无法判断上述比较差异是否显著。为此，以“平庸”发明人为参照组，得到模型3、7。由模型3、7报告的系数及显著性水平可知，H1b得到验证，即“平庸”发明人的利用性创新能力和探索性创新能力最低。可见，同时占据结构资本和认知资本优势，对提高发明人二元创新能力至关重要。

表3中模型2结果显示，“活跃”发明人的利用性创新能力比“纽带”发明人高0.628(-0.592+1.220)。结合以“纽带”发明人为参照组得到的模型4可知，结果具有期望的估计差异及统计学意义(β=0.628，p<0.01)。因此，H2a得到验证，即“活跃”发明人的利用性创新能力高于“纽带”发明人。表3中模型6结果显示，“纽带”发明人的探索性创新能力比“活跃”发明人低0.240(-0.538+0.299)，且以“纽带”发明人为参照组的模型8结果具有统计学意义(β=0.240，p<0.01)。因此，H2b未得到支持。可能的原因是，与“纽带”发明人现有知识相比，探索新知识通常涉及更高的搜索成本、研发风险和不确定性，并且此阶段“纽带”发明人缺乏认知资本。因此，即便有更多机会获得新知识，其自身积累的知识资源、发明经验等不足很难使探索性发明取得成功。此时，“纽带”发明人可能更倾向于在自身现有知识基础上进行再创新。

5.3 稳健性检验

为了检验上述回归结果的稳健性，本文进一步采用自助法验证上述模型。自助法已被证明是一种有效的检验方法，其通过重新采集样本验证模型，并降低异方差和自相关等问题可能带来的影响[28]。由于本研究面板数据使用的是移动时间窗，可能会造成观测样本重叠带来的自相关，而自助重采样方法可以解决这一问题。

由自助重采样方法得到的回归结果表明，不同角色发明人这一类别虚拟变量回归系数的符号与上述固定效应的负二项回归结果相同，但各回归系数大小及显著性水平略有差异。总体来看，使用自助重采样方法得到的结果有效验证了前文的研究发现。

6 结论与启示

6.1 研究结论与建议

本研究从发明人结构资本和认知资本两个维度，对发明人角色进行定义和划分，包括“明星”发明人、“纽带”发明人、“平庸”发明人和“活跃”发明人。以新兴的人工智能技术领域为研究对象，实证对比分析了4类不同角色发明人的二元创新能力。研究结果表明，不同角色的发明人所具有的二元创新能力显著不同。其中，“明星”发明人的利用性创新能力和探索性创新能力最高，“平庸”发明人的利用性创新能力和探索性创新能力最低，说明结构资本和认知资本均能提升发明人的利用性创新水平和探索性创新水平。就“活跃”发明人和“纽带”发明人而言，“活跃”发明人的利用性创新能力和探索性创新能力均高于“纽带”发明人，说明发明人认知资本对其利用性和探索性创新能力的影响均大于结构资本。

研究结论可为提高不同角色发明人二元创新能力提供一些启示。对于“明星”发明人来说，尽管拥有雄厚的结构资本和认知资本，然而，要想进一步提高自身二元创新水平存在一定限制。因为考虑到知识所有权问题，“明星”发明人很难获得合作伙伴拥有的核心技术。为此，“明星”发明人应借助自身优势寻找更多新的合作伙伴，例如，处于合作网络外围的发明人更有可能带来异质性知识资源。对于“平庸”发明人而言，结构资本和认知资本都有待提高。由于认知资本对利用性创新和探索性创新的正向影响均大于结构资本。因此，在“平庸”发明人有限的精力和能力范围内，应注重提高认知资本，争取晋升为“活跃”发明人。对于“纽带”发明人和“活跃”发明人来说，前者的结构位置优势有利于获取更多异质知识资源，此时应注重提高认知资本，从而确保有足够能力和经验有效运用异质性知识资源以提高探索性创新绩效，后者则相反。此阶段，二者应充分发挥自身优势，努力成为“明星”发明人，进一步提高自身二元创新水平。

6.2 管理启示

本研究结论也可为企业日常管理提供一定借鉴。尽管本文探讨的是个体层面的二元创新能力，然而，企业层面的利用性和探索性创新在很大程度上源于研发人员活动，是研发人员创新的集成。因此，根据不同维度社会资本对利用性和探索性创新的影响，以及不同个体扮演的角色，企业管理者和政策制定者可以通过调整研发人员合作关系提高企业利用性和探索性创新能力。例如，研究结果表明，“明星”发明人的二元创新能力最高，“平庸”发明人的二元创新能力最低。为了提高企业利用性和探索性创新效率，管理者应合理调整企业内部“明星”和“平庸”发明人之间的合作关系，同时要考虑到企业探索性创新需要新的异质性知识资源。因此，企业还应考虑建立外部合作关系，为企业注入新的创新活力。

6.3 不足与展望

本研究主要存在以下不足：①本文基于发明人在合作网络中的结构资本和认知资本对发明人角色进行定义及识别时，仅考虑了各个时期发明人扮演的特定静态角色，然而，在长时间跨度内，发明人拥有的结构资本和认知资本处于动态变化中，使得发明人角色随之变化；②本文仅针对人工智能技术这一单一领域进行了实证研究。考虑以上两方面不足，未来研究可以探索发明人角色动态变化如何影响二元创新，也可以进行不同领域的实证研究，以检验研究结论的普适性。