原創(chuàng) chenqin 城市數(shù)據(jù)團(tuán)

國慶假期結(jié)束，上海共接待游客1862.25萬人次，旅游消費(fèi)總金額269.19億元。金額和人數(shù)都很容易抽象成一個(gè)個(gè)數(shù)字，但是，如何判斷哪里的游客最開心？

就在國慶節(jié)期間，我們做了一個(gè)不那么嚴(yán)肅的小研究，結(jié)果發(fā)現(xiàn)——上海最開心的游客，在楊浦區(qū)。

▍一場記錄笑容的旅程

你快樂嗎？幸福嗎？

這涉及到一個(gè)困擾了學(xué)者許久的問題。

經(jīng)濟(jì)學(xué)家早就發(fā)現(xiàn)，收入和消費(fèi)并不能直接量化人們的幸福感。最有名的研究莫過于卡尼曼在2010年發(fā)現(xiàn)的結(jié)論——年收入在7.5萬美元以下時(shí)，幸福感隨著收入上升。但年收入達(dá)到7.5萬美元以上時(shí)，幸福感停止增加。

而2021年沃頓商學(xué)院的Killingsworth則發(fā)現(xiàn)，即使年收入超過7.5萬美元，幸福感也不會(huì)停止上升。

社會(huì)學(xué)家對(duì)經(jīng)濟(jì)學(xué)家充滿了銅臭的收入消費(fèi)之說往往嗤之以鼻，于是發(fā)明了直接詢問法，并在大部分社會(huì)調(diào)查問卷中塞入這么一項(xiàng)問題，

（以上問題分別來自CFPS2020、CGSS2021和CHFS2019問卷）

不同的問卷，基本上都有一項(xiàng)幸福感相關(guān)的問題。當(dāng)幸福感如此簡單地被量化，訪談中出現(xiàn)“我姓曾”的回復(fù)也就并不奇怪了。

但是幸福、快樂與否真的是一個(gè)如此間接并難以察覺的指標(biāo)嗎？顯然并非如此。在大多數(shù)情況下，人們只需一眼就能看出對(duì)方的心情，因?yàn)樗紫葧?huì)呈現(xiàn)在人們的臉上——展露了笑容的人們，就是幸福的所在。

如何評(píng)價(jià)人們臉上是否展露笑容？讀者們可能首先會(huì)想起抖音上曾經(jīng)流行的一個(gè)插件，使用錄制短視頻，就可以為自己的笑容評(píng)分，笑容越燦爛分?jǐn)?shù)越高。

這樣的評(píng)分在技術(shù)上其實(shí)早已實(shí)現(xiàn)，現(xiàn)在最廣泛使用的FER模塊（Facial Expression Recognition）就是使用機(jī)器學(xué)習(xí)方法，學(xué)習(xí)了大量已經(jīng)被標(biāo)注過的人臉信息，對(duì)包括眼睛彎曲程度，嘴角咧開的程度等都有著詳細(xì)的數(shù)據(jù)，使用FER，可以很方便地批量對(duì)人臉進(jìn)行笑容評(píng)分。

但這種方式實(shí)際上存在著一定不足，玩兒過笑容評(píng)分的讀者就會(huì)發(fā)現(xiàn)，夸張的瞇眼咧嘴露齒笑容最容易得到高分，而這種表情可能較為僵硬。

而目前最新的大模型，則能夠超越FER識(shí)別出更為細(xì)微的表情。下圖給出了Claude和OpenAI的兩個(gè)例子：

如果對(duì)這兩張臉孔使用FER，則會(huì)得到0分和10分。而使用大模型對(duì)于笑容進(jìn)行評(píng)分，可能會(huì)得到更準(zhǔn)確，更接近人類判斷的結(jié)果。

我們的笑容記錄之旅將包含以下幾個(gè)步驟——

1，在選定需要評(píng)估的地點(diǎn)，佩戴攝像設(shè)備，正常行走并錄像。每一個(gè)地點(diǎn)沿著主要路線靠右行走500米，再返回500米，持續(xù)時(shí)間十分鐘。

2，將錄像每秒一幀進(jìn)行分析，使用MTCNN人臉檢測器對(duì)每一幀圖像進(jìn)行人臉檢測，記錄人臉檢測圖像。（MTCNN，Multi-task convolutional neural network，即多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)。它是2016年中國科學(xué)院深圳研究院提出的用于人臉檢測任務(wù)的多任務(wù)神經(jīng)網(wǎng)絡(luò)模型，該模型主要采用了三個(gè)級(jí)聯(lián)的網(wǎng)絡(luò)，采用候選框加分類器的思想，進(jìn)行快速高效的人臉檢測。參見https://github.com/yeyupiaoling/Pytorch-MTCNN）

3，將檢測出來的人臉圖像發(fā)送給大模型，使用這樣的指令，要求大模型給予評(píng)分——{請(qǐng)返回這張臉孔的情緒分?jǐn)?shù)。如果面無表情，返回5，如帶有笑容，返回6或者更高的分?jǐn)?shù)，笑容越燦爛分?jǐn)?shù)越高，10分最高；如果有負(fù)面表情，返回4或者更低的分?jǐn)?shù)，情緒越負(fù)面分?jǐn)?shù)越低，0分最低。}

4，對(duì)每個(gè)地點(diǎn)的10分鐘錄像分析評(píng)分后，得到該地點(diǎn)的“笑容評(píng)分”。

由于拍攝時(shí)間有限，本次旅程包括的地點(diǎn)并不多（其實(shí)是按照小紅書打卡推薦排序確定的），包括迪*尼、武*路、思*路、南*東路、外*、陸*嘴。

拍攝結(jié)果和打標(biāo)結(jié)果的一個(gè)例子如下圖所示：

（上圖是南*東路拍攝時(shí)的打標(biāo)結(jié)果，為了保護(hù)個(gè)人隱私，對(duì)于被識(shí)別出的路人我們都進(jìn)行了面部打碼處理。）

可以注意到的是遠(yuǎn)方的廣告牌上，陳道明正使用堅(jiān)毅的眼神注視著大家。這當(dāng)然也被AI成功識(shí)別了出來，而且打上了5分的標(biāo)簽。看起來大模型認(rèn)為陳道明的這張臉屬于“面無表情”。（考慮到陳道明造成的特殊情況，在最終的模型中我們?nèi)サ袅嗽谄聊簧戏?0%被評(píng)分的臉孔）

▍“全世界最快樂的地方”竟然沒有排名第一？

從打分結(jié)果看，5分是最多的，街上超過70%的人，面無表情。12.6%的臉孔被打分為正面表情，高于5分。14.68%的人表情打分為4分，有1.57%的人打分為3分，最低分為2分——看來街頭并沒有GPT認(rèn)為的“最負(fù)面最痛苦的表情”。

總體來看，上海的這六個(gè)地點(diǎn)，各類表情較為均衡。

分地點(diǎn)的平均分如下表所示，結(jié)果可以說是相當(dāng)出人意料：

大家都很接近5分，這點(diǎn)從前一張圖中就能猜測到，因?yàn)榇蟛糠秩说谋砬槎际恰懊鏌o表情”。

排名第一的是陸*嘴。在股市連續(xù)大漲之后，陸*嘴在這六個(gè)地點(diǎn)中排名勇奪第一，雖然是長假，但仍然能看到金融精英模樣的行人，步履匆匆的同時(shí)，臉上還掛著志得意滿的微笑。

南*東路和外*分列二、三位。適逢長假，這兩個(gè)地點(diǎn)已經(jīng)擠滿了游客，人流量極大，十分鐘的視頻中，每一秒都有超過一張臉孔被評(píng)分。雖然有不少游客可能因擁擠與疲勞眉頭緊鎖，但也有同樣多的游客展開笑顏，笑容和負(fù)面表情基本抵消了。

迪*尼，傳說中全世界最快樂的地方，但在這六個(gè)地點(diǎn)中，它竟然只排名第四，而且平均分同樣低于5分。

在實(shí)際拍攝時(shí)就能感受到，當(dāng)天人們?cè)诘?尼時(shí)，許多人臉上帶著些許急切，笑容沒有預(yù)期的那么多?？梢岳斫?，國慶長假，許多項(xiàng)目排隊(duì)時(shí)間已經(jīng)超過一個(gè)半小時(shí)甚至超過兩個(gè)小時(shí)，一個(gè)項(xiàng)目稍微慢一點(diǎn)，下一個(gè)項(xiàng)目可能就要多排十分鐘，一邊趕路，腦子里一邊還需要精準(zhǔn)計(jì)算“先去玩這個(gè)，然后排那個(gè)，然后……”，也無怪乎大家有點(diǎn)“笑不動(dòng)”了。當(dāng)然，我們只能拍到急匆匆趕路的人群，并沒有能拍攝到在項(xiàng)目游玩中的游客表情，對(duì)迪*尼的笑容指數(shù)可能會(huì)有低估。

武*路、思*路，這兩個(gè)拍攝打卡網(wǎng)紅地點(diǎn)也已經(jīng)人流攢動(dòng)，這兩個(gè)地點(diǎn)的表情更嚴(yán)肅，因?yàn)榇蠹艺趯ふ遗恼盏淖罴训攸c(diǎn)。不少女士正在指揮身邊的男伴，眉頭一皺，“不行不行，再拍一張”。我開著第一視角攝像頭從他們身邊勻速走過，心中為已經(jīng)滿頭大汗的男伴掬一把同情淚。于是乎，拍照打卡點(diǎn)就成了這六個(gè)地點(diǎn)中笑容評(píng)分最低的地方。

難道就只有正在經(jīng)歷股票大漲的陸*嘴，才能獲得超過5分的表情評(píng)分嗎？在那些不屬于網(wǎng)紅打卡地的街道，是否會(huì)有什么不一樣呢？

▍上海笑容最多的街道，可能在楊浦

因?yàn)樵揪妥≡谖褰菆雠赃?，晚上帶娃到大學(xué)路吃飯。飯后，娃一頭扎進(jìn)了她最喜歡的八音盒店，而我在步行街上漫無目的地游蕩。

此時(shí)我觀察到——大學(xué)路的笑容含量，似乎不低。迎面走來的人，也難尋愁容，是一個(gè)值得記錄笑容的地點(diǎn)！

于是戴上第一視角拍攝裝置，開始拍攝。MTCNN從視頻中一幀幀取出臉孔，發(fā)送給OpenAI，后者在100毫秒內(nèi)返回結(jié)果。觀察數(shù)據(jù)，我不由得被震驚了。

和別的地點(diǎn)一樣，大學(xué)路仍然有70%左右的“面無表情”，但不同的是，只有4.1%的臉孔被評(píng)分為4分，沒有3分和2分，卻有26.4%的臉孔被評(píng)分為6分或以上！大學(xué)路的笑容率，是前文被記錄到的上海其他六個(gè)地點(diǎn)的兩倍以上。

加入了大學(xué)路之后的笑容評(píng)分表格如下所示：

可以看到，大學(xué)路的笑容評(píng)分高達(dá)5.36分，遠(yuǎn)高于其他網(wǎng)紅打卡地點(diǎn)。

但還有一個(gè)問題，這樣的笑容差距，會(huì)不會(huì)是人口構(gòu)成不同導(dǎo)致的？大學(xué)路學(xué)生眾多，是否會(huì)因?yàn)閷W(xué)生本來就比較愛笑，才導(dǎo)致了大學(xué)路的笑容更密集呢？

為了控制這一點(diǎn)，我們?cè)倏刂屏四Ｐ头祷氐拿繌埬樋椎耐茰y年齡和性別，得到下列結(jié)果：

上表顯示，即使控制了每張臉孔的年齡、性別，大學(xué)路也仍然是這七個(gè)地點(diǎn)中笑容評(píng)分顯著最高的。

但話說回來，雖然做了很多，又是第一視角拍攝，又是神經(jīng)網(wǎng)絡(luò)/大模型，還搞了一串回歸分析，卻只是為之前很多潛意識(shí)的選擇做了注腳。

上海好玩的地方有很多，作為帶娃家長，常去迪士尼，也喜歡到市中心探店。但娃最喜歡去的地方，卻總是大學(xué)路。每一兩周，她總要來大學(xué)路找一家新的小店來吃——有時(shí)好吃，有時(shí)不好吃；找到新的小攤——然后央我買下一個(gè)不知道能做什么的新玩意兒。而我也從未覺得厭煩與重復(fù)，樂在其中。

所以，“幸福生活”可能不在于社區(qū)的高曝光率，也不在于有多少網(wǎng)紅打卡點(diǎn)，甚至股市大漲影響也有限。我想，“幸福生活”更多在于身邊可以參與的日常，是充滿笑容的街道氛圍，是多姿多彩的社區(qū)活動(dòng)，也是富有活力的社區(qū)生態(tài)，人們被這些日常所吸引，不自覺地融入其中，自在地生活著。而這一切的背后，需要城市管理者從人民群眾日常生活需求出發(fā)，構(gòu)建完善的城市運(yùn)營維護(hù)機(jī)制，完成大量細(xì)致的基層工作，并與市民積極互動(dòng)交流?！皾櫸锛?xì)無聲”，這可能才是“人民城市”建設(shè)的真正含義。

原標(biāo)題：《笑里看城》

閱讀原文