Does Outcome Measurement Matter for Forecasting? Evidence from Fiscal Vulnerability in Developing Economies

복잡한 글로벌 경제의 세계에서 개발도상국의 정부들은 종종 외줄타기를 합니다. 이들은 학교, 병원, 인프라에 자금을 지원해야 하는 필요성과 제한된 세수, 변동하는 통화 가치, 그리고 외국 채권자에게 진 부채라는 현실 사이에서 균형을 잡아야 합니다. 이러한 압박이 가중될 때, 한 국가는 재정적 취약성 상태에 빠질 수 있는데, 이는 재정이 너무 악화되어 충격에 대응하기 어렵거나 심지어 본격적인 위기의 위험까지 감수해야 하는 상태를 의미합니다. 수십 년 동안 경제학자들은 이러한 위험이 발생하기 전에 이를 포착하기 위한 조기 경보 시스템을 구축하려고 노력해 왔습니다. 이러한 시스템은 일반적으로 한 국가가 얼마나 많은 빚을 지고 있는지, 경제가 얼마나 빠르게 성장하고 있는지, 또는 벌어들이는 것에 비해 얼마나 지출하는지와 같은 일련의 경제 지표에 의존하여 언제 문제가 닥칠지를 예측합니다. 목표는 정책 입안자들에게 미리 경고를 주어 위기가 불가피해지기 전에 행동할 수 있도록 하는 것입니다.

하지만 이러한 경보 시스템이 구축되는 방식에는 근본적인 문제가 있습니다. 재정적 취약성은 자동차 대시보드의 고장 엔진 경고등처럼 단번에 지목할 수 있는 단일한 요소가 아닙니다. 그것은 다양한 부분으로 구성된 복잡한 상태입니다. 경보 시스템을 만들기 위해서는 먼저 이 다양한 부분들을 어떻게 하나의 점수로 결합할 것인지 결정해야 합니다. 여러 가지 문제가 동시에 얼마나 많이 발생하는지를 셀 것인가요? 각 문제의 심각성이 어느 정도인지를 측정할 것인가요? 아니면 통계적 방법을 사용하여 이 모든 것을 하나로 묶는 숨겨진 패턴을 찾아낼 것인가요? 이 새로운 연구는 "우리가 '취약성'을 정의하는 방식이 실제로 경보 시스템의 효용성을 변화시키는가?"라는 단순하지만 매우 중요한 질문을 던집니다. 연구진은 그 답이 '그렇다'이며, 그 차이가 우리가 위험을 이해하고 어디에 주의를 집중할지에 대해 깊은 영향을 미친다는 것을 발견했습니다.

연구진은 1982년부터 2024년까지의 기간 동안 127개 개발도상국을 조사하여 이를 테스트했습니다. 그들은 정부 부채, 예산 수지, 경제 성장, 인플레이션, 무역 조건 등 8가지 서로 다른 경제적 차원을 추적하며 방대한 양의 역사적 데이터를 수집했습니다. 문제를 측정하는 단 한 가지 방법만을 선택하는 대신, 그들은 동일한 데이터를 사용하여 세 가지 다른 버전의 '취약성 점수'를 구축했습니다. 첫 번째 버전인 '폭(breadth)' 측정치는 8개의 지표 중 동시에 나쁜 상태에 있는 것이 몇 개인지를 단순히 셉니다. 만약 어떤 국가에서 세 가지 이상의 문제가 동시에 발생하면 취약한 것으로 분류됩니다. 두 번째 버전인 '심각도(severity)' 측정치는 한 단계 더 나아갑니다. 단순히 문제의 개수를 세는 것이 아니라, 각 지표가 위험선을 얼마나 넘어섰는지를 측정하여 심각한 어려움을 겪는 국가에 더 큰 가중치를 부여합니다. 세 번째 버전은 통계적 기법을 사용하여 8개의 지표를 데이터의 가장 흔한 움직임 패턴을 포착하는 하나의 숫자로 압축하며, 이는 특정 문제의 개수보다는 지배적인 추세를 반영하는 요약 점수를 만드는 것입니다.

이 세 가지 서로 다른 정의를 가지고, 연구팀은 다음 해에 어떤 국가가 취약해질지를 예측하도록 컴퓨터 모델을 훈련시켰습니다. 그들은 실제 세계의 예측을 모방한 엄격한 방법을 사용했습니다. 즉, 모델은 과거의 데이터로 학습되었고, 그 후 모델이 한 번도 본 적 없는 미래의 연도들에 대해 테스트되었습니다. 이는 결과가 단순히 역사를 암기한 것이 아니라 진정한 예측력을 반영하도록 하기 위함이었습니다. 결과는 놀라웠습니다. 세 가지 정의 모두에서 모델은 국가들을 정확하게 순위 매기는 데 매우 뛰어난 성능을 보였습니다. 모델은 어려움에 직면할 국가와 그렇지 않을 국가를 높은 정확도로 구별해 냈습니다. 그러나 연구진이 이 모델들이 실제로 새로운 정보를 제공하고 있는지, 아니면 이미 알려진 것을 반복하고 있는 것인지를 물었을 때 이야기는 완전히 바뀌었습니다.

이 발견의 핵심은 '지속성(persistence)'이라는 개념에 있습니다. 경제 조건은 하룻밤 사이에 거의 변하지 않습니다. 만약 어떤 국가가 오늘 어려움을 겪고 있다면, 높은 부채나 저성장과 같은 근본적인 문제들을 해결하는 데 오랜 시간이 걸리기 때문에 내일도 어려움을 겪을 가능성이 매우 높습니다. "작년에 일어난 일이 올해도 일어날 것이다"라고 가정하는 단순한 예측은 종로히 강력한 기준점이 됩니다. 연구진은 자신들의 복잡한 모델을 이 단순한 지속성 벤치마크와 비교했습니다. 그 결과, '폭'과 '심각도' 측정치의 경우 복잡한 모델이 작지만 실질적인 개선을 제공한다는 것을 발견했습니다. 즉, 모델은 단순한 '작년 규칙'이 놓쳤던 새로운 취약성 사례를 예측하는 데 도움이 되는 추가적인 정보를 제공했습니다. 하지만 세 번째 측정치인 통계적 요약의 경우, 이야기가 달랐습니다. 복잡한 모델은 단순한 지속성 규칙보다 나은 성과를 내지 못했습니다. 사실, 전년도의 점수가 너무나 많은 정보를 담고 있었기에 다른 모든 경제 데이터를 추가하더라도 감지할 수 있는 이점이 없었습니다. 통계적 모델의 높은 정확도는 그것이 새로운 위험을 예측하는 탁ual한 예측 도구였기 때문이 아니라, 기존 상태의 지속을 추적하는 데 매우 뛰어났기 때문이었습니다.

이러한 구분은 경보 시스템의 가치를 이해하는 데 심오한 시사점을 줍니다. 이 연구는 어떤 모델이 미래를 예측하는 데 있어 매우 인상적인 점수를 기록하더라도, 실제로 우리에게 새로운 것을 알려주지 못할 수도 있다는 점을 시사합니다. 만약 취약성의 정의가 매우 높은 지속성을 갖도록 정의된다면, 최선의 예측은 단순히 과거일 뿐입니다. 연구진은 또한 모델이 국가가 처음으로 어려움에 빠지는 순간, 즉 '발생(onset)'을 포착할 수 있는지 살펴보았습니다. 여기서 '폭' 측정치가 다시 한번 두각을 나타냈습니다. 이 정의를 사용한 모델은 단순한 지속성 규칙을 넘어서는 정확도로 새로운 취약성 사례를 식별할 수 있었습니다. 반면 다른 정의들은 이러한 조기 경보를 제공하는 데 어려움을 겪었습니다. 그것들은 국가가 어려움에 빠지기 직전임을 경고하기보다는, 이미 어려움에 처해 있다는 것을 알려주는 데 더 적합했습니다.

아마도 가장 놀라운 발견은 이러한 서로 다른 정의가 가장 많은 주의를 기울여야 할 국가의 목록을 어떻게 바꾸는지에 관한 것입니다. 연구진이 국가들을 가장 취약한 순서부터 가장 덜 취약한 순서로 나열했을 때, '폭'과 '심각도' 측정치에 의해 생성된 목록은 상당히 유사했습니다. 그러나 통계적 요약에 의해 생성된 목록은 상당히 달랐습니다. 한 정의 아래에서 위험 목록의 상위에 나타났던 국가들이 다른 정의 아래에서는 중간이나 하위권으로 이동했습니다. 이는 취약성을 측정하는 방식의 선택이 국제 기구나 정책 입안자들이 어떤 국가를 면밀히 모니터링해야 하는지에 직접적인 영향을 미친다는 것을 의미합니다. 어떤 국가는 한 정의에 따라 우선순위가 높은 국가로 간데, 동일한 경제 데이터에도 불구하고 다른 정의에 따라서는 낮은 우선순위의 국가로 보일 수 있습니다.

연구진은 또한 어떤 경제적 요인들이 이러한 예측을 주도하는지도 조사했습니다. '폭'과 '심각도' 측정치의 경우, 가장 중요한 신호는 정부의 예산 수지와 총 부채였습니다. 이것들은 재정 건전성의 전형적인 지표들입니다. 그러나 인플레이션이나 무역 수지와 같은 다른 요인들의 중요성은 어떤 정의를 사용하느냐에 따라 달라졌습니다. 이는 우리가 위험을 측정하는 방식이 우리가 경제의 어느 부분에 주목할지를 바꾼다는 생각을 뒷받침합니다. 어떤 지표가 진공 상태에서 더 중요한 것이 아니라, 그 지표들을 하나의 점수로 어떻게 결합하느냐에 따라 그 중요성이 결정되는 것입니다.

궁극적으로 이 연구는 경제 예측의 세계에서 "어떻게 측정할 것인가?"라는 질문이 "예측할 수 있는가?"만큼이나 중요하다는 점을 상기시켜 줍니다. 이 연구는 머신 러닝이나 복잡한 알고리즘이 쓸모없다고 주장하는 것이 아닙니다. 대신, 그것들의 가치는 자동적인 것이 아님을 보여줍니다. 정교한 모델은 그것이 해결하려는 문제의 정의가 무엇인지에 따라 그 가치가 결정됩니다. 만약 취약성의 정의가 과거와 너무 밀접하게 연결되어 있다면, 모델은 단지 과거를 반복할 뿐입니다. 만약 정의가 더 넓은 범위의 동시적인 문제들을 포착한다면, 모델은 새로운 신호를 찾아낼 수 있습니다. 정책 입안자와 경제학자들에게 교훈은 명확합니다. 예측을 신뢰하기 전에, 그 위험이 어떻게 정의되었는지를 반드시 이해해야 합니다. 동일한 데이터라도 어떤 렌즈를 통해 보느냐에 따라 매우 다른 이야기를 들려줄 수 있으며, 그 렌즈의 선택은 예측의 정확도뿐만 아니라 어떤 국가가 위험에 처해 있는지를 결정합니다.