📈 경제학

Expected versus Unexpected Non-Competition: A Corruption-Risk Approach to Public Procurement in Spain

이 논문은 스페인 공공 조달 데이터를 활용하여 예상된 비경쟁과 예상되지 않은 비경쟁을 구분함으로써, 구조적 시장 및 제도적 요인을 고려하여 허위 양성 반응을 줄인 정교한 부패 위험 대리 지표를 생성하는 머신러닝 기반의 프레임워크를 소개한다.

원저자: Iván Pastor-Sanz, Félix J. López Iturriaga

게시일 2026-10-19

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Iván Pastor-Sanz, Félix J. López Iturriaga

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

공공 조달은 도로 건설부터 병원 물품 공급에 이르기까지, 국가를 운영하는 데 필요한 재화, 서비스, 인프라를 정부가 구매하는 과정입니다. 이러한 계약에는 막대한 자금과 복잡한 규칙이 수반되기 때문에 부패의 빈번한 표적이 됩니다. 무언가 잘못되었다는 것을 알 수 있는 가장 흔한 경고 신호 중 하나는 경쟁의 결여입니다. 정부가 프로젝트에 대한 입찰을 요청하면, 건강한 시장에서는 보통 여러 기업이 해당 업무를 위해 경쟁합니다. 만약 단 한 곳의 기업만이 나타나거나 입찰 과정이 비밀리에 진행된다면, 이는 특정 공급업체에 유리하도록 계약이 조작되었음을 시사할 가능성이 높습니다. 수년간 감사관과 감시 기구들은 의심스러운 거래를 포착하기 위해 '레드 플래그(red flags)'라고 불리는 이러한 경고 신호 목록에 의존해 왔습니다. 그러나 이 목록에는 중대한 결함이 있습니다. 바로 특정 계약이 의심스러울 정도로 경쟁이 없는 것인지, 아니면 소수의 기업만 존재하는 특수 시장이나 입찰 참여를 꺼리게 만드는 복잡한 프로젝트와 같은 정당한 이유로 인해 단순히 경쟁이 없는 것인지를 구별하지 못한다는 점입니다. 이러한 혼동은 허위 경보를 일으켜, 실제로는 깨끗한 계약에 시간과 자원을 낭비하게 만듭니다.

이 문제를 해결하기 위해 연구자 이반 파스토르-산스(Iván Pastor-Sanz)와 펠릭스 J. 로페즈-이트리아가(Félix J. López-Iturriaga)는 스페인의 방대한 데이터를 활용하여 2018년부터 2024년 사이에 낙찰된 393,631건의 공공 입찰을 분석했습니다. 그들은 정적인 체크리스트를 사용하는 대신, 계약의 역사를 학습하여 특정 상황에서 '정상적인' 경쟁 수준이 무엇인지 이해하는 컴퓨터 모델을 구축했습니다. 이 모델은 계약이 체결되기 전 이용 가능한 세부 정보, 즉 수행되는 작업의 유형, 낙찰자 선정을 위해 사용된 특정 규칙, 프로젝트가 위치한 지역 등을 고려합니다. 이 모델은 입찰자가 3개 미만일 확률을 계산합니다. 그런 다음 이 기대치와 실제 발생한 결과를 비교합니다. 만약 어떤 계약이 많은 입찰자를 끌어들여야 한다고 모델이 예측했음에도 불구하고 매우 적은 수의 입표를 받았다면, 그 격차를 예상치 못한 이상 징후로 분류합니다. 이러한 접근 방식은 공직자들이 일반적인 시장 상황이라는 '소음'으로부터 잠재적 부패라는 '신호'를 분리할 수 있게 해줍니다.

연구진은 계약에 많은 입찰자가 들어오느냐 혹은 단 하나만 들어오느냐를 결정하는 가장 중요한 요인이 투입된 금액이 아니라, 프로젝트의 유형과 입찰 과정을 운영하는 규칙이라는 것을 발견했습니다. 건설이나 IT 서비스와 같은 특정 경제 부문은 경쟁 수준의 변동성을 거의 절반 가까이 설명했습니다. 계약을 낙찰하기 위해 사용된 절차의 유형은 두 번째로 강력한 예측 변수였습니다. 이는 입찰 과정을 설계할 때 정부 관료에게 부여된 자유도나 재량권의 정도가 특혜의 기회를 직접적으로 형성한다는 정치학의 오랜 견해를 확인시켜 줍니다. 공공 광고 없이 공급업체와 직접 협상할 수 있는 절차를 통해 낙찰된 계약은 경쟁이 낮을 가능성이 훨씬 높았지만, 모델은 이것이 반드시 범죄의 증거라기보다는 규칙에 따른 예상된 결과인 경우가 많다는 것을 보여주었습니다.

이 연구의 진정한 가치는 허위 경보를 걸러내는 능력에 있습니다. 모델이 예상했던 것보다 실제 경쟁이 현저히 낮았던 계약에만 집중함으로써, 연구진은 매우 의심스러운 소수의 입찰 건을 식별해 냈습니다. 약 40만 건의 계약 중 모델은 단 2,195건, 즉 약 0.56%만을 예상치 못한 경쟁 결여 사례로 분류했습니다. 이들은 특정 유형과 지역의 규범에서 크게 벗어난 거래이므로 가장 면밀한 조사가 필요한 대상들입니다. 연구는 이렇게 분류된 사례들이 기존의 다른 부패 위험 지표들과 강한 상관관계를 보였다는 점을 보여주었으며, 이는 모델이 단순한 무작위 소음이 아닌 실제적인 청렴성 문제를 정확히 식별하고 있음을 시사합니다. 이 방법은 감독 기관이 모든 저경쟁 계약에 반응하는 방식에서 벗어나, 위험이 가장 높은 특정 사례들을 선제적으로 겨냥할 수 있는 길을 열어주어 제한된 감사 자원을 가장 효과적인 곳에 투입할 수 있도록 합니다.

이러한 결과는 낮은 경쟁률이 유용한 지표이기는 하지만, 그 자체로 완벽한 지표는 아니라는 점을 시사합니다. 이 연구는 분류된 모든 계약이 부패했다고 증명하는 것은 아니지만, 이를 찾아내기 위한 훨씬 더 날카로운 도구를 제공합니다. 시장 현실에 의한 예상된 경쟁 부족과 부정행위를 암시하는 예상치 못한 경쟁 부족을 구분함으로써, 이 접근 방식은 정부가 막대한 양의 공공 자금을 더욱 정밀하게 관리할 수 있도록 돕습니다. 스페인이 유럽 연합으로부터 수십억 유로의 회복 기금을 계속해서 받고 있는 상황에서, 이러한 계약들을 효과적으로 모니터링하는 능력은 그 어느 때보다 중요합니다. 이 연구는 거래의 맥락을 이해하기 위해 데이터를 사용하는 것이 단순히 입찰자 수를 세는 것보다 훨씬 더 강력하다는 것을 보여주며, 공공 지출의 투명성과 책임성을 향한 더 명확한 경로를 제시합니다.

기술 요약: 스페인 공공 조달에서의 기대된 비경쟁과 예기치 않은 비경쟁

문제 제로 (Problem Statement)
스페인의 공공 조달은 특히 차세대 EU 기금의 주요 수혜자로서의 역할을 고려할 때, 제한된 경쟁(예: 단독 입찰 또는 기준 미달 입찰)으로 대변되는 상당한 부패 위험에 직면해 있다. 그러나 전통적인 "레드 플래그(red-flag)" 지표들은 심각한 측정 문제를 겪고 있다. 즉, 정당한 시장 구조, 산업적 특성 또는 절차적 제약에 의한 '무해한 저경쟁'과, 지대 추구 또는 편애를 나타내는 '의심스러운 저경쟁'을 구분하지 못한다는 점이다. 정적인 임계값은 높은 오탐률(false positives)을 발생시키며, 이는 기대된 비경쟁(구조적 요인)과 감사 조사가 필요한 예기치 않은 비경쟁(이상 징ле)을 구분하는 데 실패한다. 본 논문은 이러한 문제를 해결하기 위해, 예측 가능한 시장 결과와 감사가 필요한 이상 징후를 분리할 수 있는 더욱 정교한 사전적(ex-ante) 무결성 위험 측정 도구의 필요성을 다룬다.

연구 방법론 (Methodology)
본 연구는 2018년부터 2024년 사이의 스페인 내 낙찰된 393,631건의 공공 입찰 데이터를 사용하며, 데이터는 OpenTender 및 스페인 국가 조달 플랫폼에서 추출되었다. 데이터는 Open Contracting Data Standard를 준수하며, 계약 유형, 공통 조달 용어(CPV) 섹터, 추정 가치, 절차 유형, 지리적 위치와 같은 낙찰 전 특성을 포함한다.

대상 변수: 3개 미만의 입찰을 받은 경우를 의미하는 이진 지표 LowCompetition(저경쟁)을 정의한다.
특성 공학 (Feature Engineering): 정보 누수(information leakage)를 방지하기 위해 낙찰 전 정보만을 사용하여 13개의 설명 변수를 구성하였다. 연속형 및 범주형 예측 변수는 결측치를 처리하고, 단조성(monotonicity)을 강제하며, 해석력을 유지하면서 비선형 관계를 포착하기 위해 증거 가중치(Weight of Evidence, WoE) 인코딩을 거쳤다.
모델링 접근 방식: 로지스틱 회귀, 랜덤 포레스트, 결정 트리와의 비교 분석을 거쳐 그래디언트 부스팅 머신(GBM)을 선정하였다. 모델은 부스팅 반복 횟수(50–300), 학습률(0.01–0.1), 트리 깊이(3–5)를 포함한 하이퍼파라미터를 최적화하기 위해 무작위 그리드 탐색(AUC에 집중)을 통해 최적화되었다.
검증 전략: 데이터셋은 시계열적으로 분할되었다. 2024년 7월 이전의 데이터는 70/30 비율로 훈련 및 테스트 세트로 나누었으며, 2로써 2024년 7월 이후의 데이터는 실세계의 사전적(ex-ante) 위험 평가를 시뮬레이션하기 위한 외부 검증 세트로 활용하여 시간적 안정성을 확보하였다.

주요 기여 (Key Contributions)

비경쟁의 분해: 본 논문은 실현된 비경쟁을 "기대된" 구성 요소(구조적 및 절차적 요인에 의해 유도됨)와 "예기치 않은" 잔차 구성 요소로 분해하는 모델 기반의 반사실적(counterfactual) 모델을 도입한다. 이 잔차는 정적인 레드 플래그 시스템의 오탐률을 줄여주는 정교한 무결성 위험 프록시 역할을 한다.
정치경제학적 통찰: 경쟁의 주요 결정 요인을 식별함으로써, 본 연구는 행정적 재량권과 시장 구조가 계약 가치 자체보다 편애의 범위를 결정한다는 정치경제학적 관점을 뒷받침하는 실증적 근거를 제공한다.
맥락적 확장: 본 연구는 이탈리아, 프랑스 또는 독일 데이터셋을 기반으로 한 기존 문헌을, 막대한 양의 EU 회복 기금이 투입되는 중요한 사례 연구인 스페인 맥락으로 확장한다.
머신러닝의 운용화: 본 연구는 머신러닝을 단순한 예측 도구가 아니라 정부 계약의 정치경제학을 측정하는 장치로 배치하여, 위험 기반 감사를 위한 전이 가능한 프레임워크를 제시한다.

결과 (Results)

예측 성능: GBM 모델은 테스트 세트에서 0.778, 시간적 검증 세트에서 0.727의 AUC를 달 기록하며 강력한 판별력과 시간적 안정성을 입증하였다.
특성 중요도: 분석 결과, 조달 섹터(설명력의 약 50% 차지)와 절차 유형(19.6%)이 경쟁 수준의 지배적인 예측 변수임이 밝혀졌다. 주목할 점은 계약 가치가 8위(1.9%)에 불과했다는 것이며, 이는 금융적 규모가 경쟁 위험의 주요 동인이라는 가설에 도전한다.
외부 타당성: 모델이 예측한 저경쟁 확률은 OpenTender의 무결성 점수(약 -0.52) 및 단독 입찰 지표와 강한 음의 상관관계를 보였으며, 이는 모델이 절차적 위험의 유의미한 차원을 포착하고 있음을 확인시켜 준다.
이상 탐지: "예기치 않은 저경쟁"을 예측된 저경쟁 확률이 특정 임계값(예: $\tau = 0.30$ ) 미만임에도 불구하고 3개 미만의 입찰을 받은 입찰로 정의함으로써, 모델은 2,195건(전체 샘플의 0.56%)의 사례를 식별하였다. 이러한 이상치는 일반적으로 경쟁적인 절차 유형(예: 공개 입찰)에 집중되었던 반면, 구조적으로 제한적인 절차에서는 이상치가 거의 나타나지 않았으며, 이는 정상 범위를 벗어난 편차를 격리하는 모델의 능력을 입증한다.

의의 및 주장 (Significance and Claims)
본 논문은 사후적(ex-post) 점검에서 사전적(ex-ante) 위험 기반 감독으로 전환함으로써 기존의 컴플라이언스 모니터링보다 진보된 접근 방식을 제공한다고 주장한다. "예기치 않은" 비경쟁 구성 요소를 분리함으로써, 모델은 조사 기관이 심층 감사를 위해 소수의 관리 가능한 입찰 집단에 우선순위를 두어 한정된 조사 자원을 최적화할 수 있게 한다. 저자들은 이 방법이 인간의 판단을 대체하는 것이 아니라, 우선순위 설정을 위한 구조적이고 해석 가능한 기초를 제공하여 정당한 시장 조건과 잠재적 불법 행위를 구분하는 데 도움을 준다고 주장한다. 결론적으로, 해석 가능한 예측 도구는 특히 EU 기금이 투입되는 고위험 환경에서 공공 조달 감사의 효율성과 표적화를 높이기 위해 기존의 레드 플러그 시스템을 효과적으로 보완할 수 있다.

유사한 논문