경제 전망은 왜 빗나가는가: 35년의 데이터, 그리고 하나의 실험

post-thumb

지난 글에서 한국의 2026년 1분기 성장률(연율 7.5%)이 IMF의 직전 전망(연 1.8%)을 큰 폭으로 상회했다는 사실을 소개했습니다. 본 글은 그 후속 질문을 다룹니다. 경제 전망의 오차는 어느 정도이며, 어떤 조건에서 커지는가.

논의는 세 부분으로 구성됩니다. 첫째, IMF가 공개하는 역대 전망치 데이터베이스를 이용해 1991년부터 2025년까지 한국 성장률 전망의 오차를 계산합니다. 둘째, 국면 전환이 존재하는 모형 경제에서 몬테카를로 시뮬레이션을 수행해 전망 오차가 커지는 조건을 확인합니다. 셋째, 월간 지표를 이용한 나우캐스팅(nowcasting)으로 2026년 1분기 사례를 재검토합니다. 본 글의 모든 수치와 그림은 공개 데이터로부터 필자가 직접 계산한 결과입니다.

1. IMF 한국 성장률 전망의 오차: 1991-2025

IMF는 매년 봄과 가을에 세계경제전망(WEO)을 발표하며, 과거 전망치 전체를 Historical WEO Forecasts Database로 공개합니다. 이 데이터에서 한국에 대한 “해가 시작되기 전 마지막 전망”(직전 해 10월 발표)을 추출하고, 실적(실질 GDP 연평균 성장률, FRED 자료로 계산)과 비교했습니다. 대상 기간은 1991년부터 2025년까지 35개년입니다.

한국 성장률 실적과 IMF 전망
그림 1: 한국 성장률의 실적(실선)과 직전 가을 IMF 전망(점선). 붉은 음영은 1998, 2009, 2020년. (자료: IMF, FRED, 필자 계산)

주요 결과는 다음과 같습니다.

  • 위기가 없던 해의 평균 절대 오차는 1.64%p입니다. 해당 기간 성장률 수준(대체로 2~7%)을 감안하면, 평상시의 전망은 방향과 규모 면에서 유의미한 정보를 담고 있었습니다.
  • 위기의 해(1998, 2009, 2020)의 평균 절대 오차는 5.51%p로, 평상시의 세 배를 상회합니다. 해가 시작되고 4개월이 지난 당해 4월 전망으로 갱신해도 위기의 해 오차는 3.15%p로 여전히 큽니다.
  • 가장 큰 오차는 외환위기 전후에 관측됩니다. 1997년 10월 시점의 1998년 전망은 +6.0%였으나 실적은 -4.9%로, 오차는 10.9%p였습니다.
  • 표본 내 최대 오차는 그다음 해에 발생했습니다. 1998년 10월 시점의 1999년 전망은 -1.0%였으나 실적은 +11.6%로, 오차는 12.6%p입니다. 위기 국면으로의 진입뿐 아니라 회복 국면으로의 전환 역시 사전에 포착되지 않았습니다.
  • 2009년에는 오차의 방향이 반대였습니다. 글로벌 금융위기가 진행 중이던 2009년 4월 시점의 그해 전망은 -4.0%였으나 실적은 +0.8%로, 과도한 비관이 4.8%p의 오차를 만들었습니다.

전망 오차의 분포
그림 2: 직전 가을 전망의 오차(실적-전망, %p). 절대 오차 2.5%p 이상인 연도를 붉은색으로 표시. (자료: IMF, FRED, 필자 계산)

요약하면, 전망 오차는 시간에 대해 균등하게 분포하지 않고 경기 국면이 전환되는 시점에 집중되며, 전환점에서는 과소 예측(1998)과 과대 예측(2009)이 모두 관측됩니다. 이 패턴이 우연적 사건의 누적인지, 전망이라는 문제 설정에 내재한 구조적 결과인지를 다음 절에서 확인합니다.

2. 시뮬레이션: 국면 전환과 전망 오차

현실의 전망 기관을 통제된 환경에서 관찰할 수는 없으므로, 구조를 알고 있는 가상 경제를 구성해 같은 패턴이 재현되는지 확인합니다. 설계는 다음과 같습니다.

  • 자료 생성 과정: 확장기(평균 성장률 3.5%)와 침체기(평균 -2.0%)를 오가는 2국면 마르코프 전환 AR(1) 과정. 국면 전환은 전이확률(확장 유지 95%, 침체 유지 70%)에 따라 발생합니다.
  • 전망자: 최근 40분기 데이터로 AR(1) 회귀를 추정해 다음 분기를 점전망합니다. 전망자는 국면 전환이라는 구조 자체를 모형에 포함하지 않습니다. 과거 시계열의 패턴만으로 미래를 추론해야 하는, 현실 전망기관과 동일한 정보 제약을 부여한 설정입니다.

이 경제를 500회 반복 생성하고(경로당 160분기), 전망 오차를 국면 전환 여부에 따라 구분해 집계했습니다.

시뮬레이션 예시 경로
그림 3: 시뮬레이션 예시 경로. 실제값(실선)과 1기 앞 전망(점선), 붉은 음영은 침체 국면. (시뮬레이션·계산: 필자)

  • 국면이 유지되는 분기의 평균 절대 오차: 0.99%p
  • 국면이 전환되는 분기의 평균 절대 오차: 4.48%p (4.5배)

평균 절대 전망오차 비교
그림 4: 평균 절대 전망오차 비교 (몬테카를로 500회). (계산: 필자)

절대 전망오차의 분포
그림 5: 절대 전망오차의 분포. 평상시와 국면 전환 분기의 분포가 뚜렷이 분리된다. (계산: 필자)

1절에서 관측한 현실의 비율(평시 대비 위기 3배 이상)과 유사한 구조가, 정보 제약 외에는 어떤 가정도 추가하지 않은 실험에서 재현됩니다. 메커니즘은 다음과 같이 정리할 수 있습니다. 과거 데이터로 추정된 모형은 현재 국면이 지속된다는 정보를 가장 강하게 반영하며, 국면이 전환되는 시점에는 바로 그 정보가 오차를 확대하는 방향으로 작용합니다.

이 제약은 단순 모형에 국한되지 않는다는 점을 지적해 둘 필요가 있습니다. 복잡한 머신러닝 모형 역시 학습 데이터의 분포 안에서 패턴을 추정합니다. 전환점은 정의상 학습 분포 밖(out-of-distribution) 사건의 성격을 가지므로, “다음 전환이 언제 오는가"를 과거 데이터만으로 사전에 식별하는 일은 모형의 복잡도와 무관하게 어려운 문제로 남습니다.

다만 이것이 데이터 기반 접근의 무용성을 의미하지는 않습니다. 문제 설정을 바꾸면 데이터가 기여할 수 있는 영역이 달라집니다.

3. 나우캐스팅: 월간 지표를 이용한 2026년 1분기 재검토

예측 시계를 늘리는 대신, 현재 분기의 상태를 공식 통계 발표 이전에 추정하는 접근이 나우캐스팅입니다. GDP는 분기 종료 후 상당한 시차를 두고 발표되지만, 수출은 매월, 일부 지표는 일 단위로 공개됩니다. 미 애틀랜타 연준의 GDPNow가 대표적인 운영 사례입니다.

한국 데이터로 검증을 수행했습니다. 모형은 의도적으로 단순하게 설정했습니다. 분기 성장률을 같은 분기의 월간 수출 증가율과 직전 분기 성장률에 회귀하는 브릿지(bridge) 모형 하나입니다. 2000년부터 추정하고, 2015년 1분기부터는 매 분기 표본 밖(out-of-sample) 나우캐스트를 반복해 성능을 평가했습니다.

표본 밖 나우캐스트와 실적
그림 6: 매 분기 표본 밖 나우캐스트와 실적. 검증은 2015년 1분기부터 수행했으며 그림은 2023년 이후 구간. (자료: FRED, 계산: 필자)

  • 유사 실시간 검증(2015~2025년)에서 이 모형의 RMSE는 0.65%p로, 직전 분기 값을 그대로 사용하는 나이브 전망(1.18%p) 대비 45% 낮았습니다.
  • 2026년 1분기의 월간 수출은 전기 대비 +23.1% 증가했고, 이를 반영한 나우캐스트는 전기比 3.04%(연율 12.7%)였습니다. 실적은 1.83%(연율 7.5%), IMF의 4월 전망은 연 1.8%(분기 환산 0.45%)였습니다.

2026년 1분기 비교
그림 7: 2026년 1분기의 공식 전망, 나우캐스트, 실적 비교. (자료: FRED, 계산: 필자)

이 결과는 두 측면에서 평가할 필요가 있습니다.

첫째, 나우캐스트는 실적을 상회하는 과대 추정이었습니다. 원인은 지표의 성격에 있습니다. 수출 통계는 달러 표시 금액이므로 반도체 단가 상승과 같은 가격 효과가 그대로 반영되는 반면, 실질 GDP에는 내수와 서비스업이 포함됩니다. 이 간극을 조정하는 것이 나우캐스팅 방법론의 핵심 과제이며, 실제 운영 기관들은 동적요인모형이나 머신러닝으로 다수의 지표를 결합해 이 문제를 완화합니다.

둘째, 그럼에도 방향의 정보는 명확했습니다. 공식 전망이 연 1.8%였던 시점에, 월간 수출 지표는 이를 큰 폭으로 상회하는 성장 신호를 실시간으로 제공하고 있었습니다. 절대 오차 기준으로도 이 단일 지표 모형(1.21%p)이 IMF 공식 전망(1.38%p)보다 실적에 근접했습니다. 석 달 전에 확정된 정교한 전망보다, 당월에 도착한 단순한 지표가 더 많은 정보를 담고 있었던 사례입니다.

4. 시사점: AI와 경제 전망

세 결과를 종합하면, AI 시대의 경제 전망에 대해 다음과 같은 평가가 가능합니다.

데이터 기반 방법의 비교우위는 ‘현재의 추정’에 있습니다. 나우캐스팅은 이용 가능한 데이터의 양과 갱신 빈도, 비선형 관계의 처리 능력이 성능을 좌우하는 문제이며, 이는 머신러닝의 강점과 정확히 겹칩니다. 본 글의 단일 지표 모형이 보여준 개선 폭을 감안하면, 카드 결제, 물류, 채용 공고, 텍스트 데이터까지 결합하는 시스템의 잠재력은 상당하다고 판단됩니다.

전환점의 사전 식별은 여전히 열린 문제입니다. 2절의 시뮬레이션이 보여주듯, 이는 모형의 성능 문제가 아니라 과거 분포로부터 미래의 단절을 추론해야 하는 문제 설정 자체의 제약입니다. 오히려 정교한 모형일수록 국면 내부의 패턴을 강하게 학습하므로, 전환점에서의 오차가 확신과 함께 커질 가능성도 있습니다.

이상의 결과는 전망 체계의 개선 방향에 대해 두 가지를 시사합니다. 하나는 갱신 주기의 단축입니다. 연 수회 발표되는 점 전망 중심에서, 데이터 도착에 따라 상시 갱신되는 나우캐스트 중심으로 무게가 이동할 것입니다. 다른 하나는 불확실성의 명시적 보고입니다. “내년 2.6%“라는 점 추정이 아니라 시나리오별 확률을 포함한 분포로 전망을 제시하는 방식이며, 이는 베이지안 통계학이 오랫동안 발전시켜 온 접근이기도 합니다.

2년 전 저희는 AI 투자 붐의 거품 여부를 검토했고, 지난 글에서는 그 붐이 한국의 성장 전망을 끌어올린 과정을 확인했습니다. 본 글의 분석이 시사하는 바는 다음과 같습니다. 다음 전환점 역시 사전 전망에 반영되어 있지 않을 가능성이 높습니다. 따라서 관건은 더 정확한 장기 예측이 아니라, 전환의 신호를 고빈도 데이터에서 얼마나 이른 시점에 식별하는가입니다.

🔗 참고자료

본 글은 필자 개인의 의견으로, 소속 기관의 공식 입장과 무관합니다.