Ⅰ. 서론

1. 연구의 배경

지방의료원은 지방의료원의 설립 및 운영에 관한 법률에 근거하여 지방자치단체가 설립·운영하는 지역거점 공공병원으로, 취약계층 진료와 필수의료·감염병 대응이라는 공익적 사명과 독립 회계단위로서의 재무적 자생력을 동시에 요구받는다. 공공병원에서 이익은 목적 그 자체가 아니라 사명 수행을 지속하기 위한 제약조건에 가까우며, 실제로 공공병원은 민간병원과 달리 자산 활용이 이익으로 연결되지 않는 구조를 보인다[1].

그러나 지방의료원은 설립 초기부터 구조적 취약성을 안고 있었다. 우리나라 보건의료체계가 민간 주도로 형성되면서 공공의료기관은 수익성이 낮아 민간이 담당하지 않는 미충족 의료를 맡는 역할에 머물러 왔고[2], 그 결과 공공병원의 규모와 인프라는 국제적으로 낮은 수준에 있다[3]. 특히 운영이 독립채산제에 묶여 있어 추가 인건비 부담 때문에 필수 의료인력을 확충하기 어렵고, 이것이 다시 만성적자로 이어지는 악순환이 구조적 문제의 핵심으로 지적되어 왔다[4].

코로나19 국면을 거치며 지방의료원의 재무 상태는 급격히 변동하였다. 2020년부터 2022년까지 다수 기관이 감염병전담병원으로 지정되어 일반 진료를 축소하였고 의료손익은 크게 악화되었으나, 같은 기간 지급된 손실보상금이 의료외수익으로 계상되면서 당기순손익은 오히려 흑자로 전환되었다. 그리고 손실보상이 종료된 2023년 이후 재무 지표는 다시 급격히 반전되었다.

이 경험이 남긴 실무적 물음은 다음과 같다. 재정지원이 대규모로 투입되던 시기에 지방의료원의 재무 상태를 어떤 지표로 보아야 했는가. 당시 다수 기관의 당기순손익은 흑자였고, 손익 지표만 관찰한 감독자에게 이들은 서로 구별되지 않았다. 그러나 손실보상 종료 이후 일부 기관은 자본잠식에 이르렀고 일부는 그렇지 않았다. 만약 사전에 이를 판별할 수 있는 지표가 존재하였다면, 공공병원 재무 모니터링 체계의 개선 방향을 직접 제시하는 근거가 된다.

현재 지방의료원의 재무상태는 지역거점공공병원 알리미 공시와 지방자치단체 경영평가 등을 통해 점검되나, 실제로 활용되는 지표는 수익성·안정성·활동성의 발생주의 지표군 중심으로 이루어지고 있다. 현금흐름표가 함께 공시됨에도 이 정보가 위험 판별에 체계적으로 활용된다는 근거는 확인되지 않는다. 반면 코로나19를 겪은 각국의 공공병원 재무관리 논의에서는 자금 유동성이 재무건전성 평가의 핵심 축으로 제시되고 있으며, 감염병 대응기에 대규모 자원을 투입한 공공병원이 유행 종료 후 환자 감소와 현금 부족에 직면한다는 점이 공통적으로 지적된다[5].

이러한 문제의식에도 불구하고 국내 연구는 아직 이를 해석할 수 있는 분석틀을 갖추지 못하였다. 지방의료원의 재무성과를 다룬 기존 연구는 의료이익률이나 효율성 점수와 같은 연속형 지표를 종속변수로 두고 그 결정요인을 설명하는 데 집중하여 왔다. 이러한 접근은 재무성과의 수준이 무엇에 의해 좌우되는지를 밝히는 데에는 유용하지만, 어떤 의료기관이 언제 자본잠식이나 지급불능과 같은 위기 상태에 도달할 것인지를 사전에 판별하는 도구를 제공하지는 못한다. 또한 대다수 연구의 관측기간이 2022년 또는 2023년에 종료되어 손실보상이 중단된 이후 재무지표가 급격히 반전된 시기 자체가 분석 대상에서 제외되어 있다. 그 결과 재정지원이 대규모로 투입되던 시기의 재무지표가 이후의 위기를 얼마나 예고하였는지에 관한 실증 근거는 국내에 축적되어 있지 않다.

본 연구는 이 공백을 메우고자 한다. 구체적으로 세 가지 측면에서 기존 연구와 구별된다. 첫째, 종속변수를 연속형 성과지표가 아니라 자본잠식과 유동성 위기라는 이산적 사건으로 전환하여 설명이 아닌 사전 판별을 목적으로 한다. 둘째, 미국 농촌병원을 대상으로 개발·검증되어 온 재무곤경지수의 설계를 국내 지방의료원에 적용하고 그 예측 성능을 분할표본으로 검증함으로써, 지금까지 국내 공공병원 연구에서 보고된 바 없는 예측 타당도 근거를 제시한다. 셋째, 이미 공시되고 있으나 위험 판별에 활용되지 않던 현금흐름 정보를 예측변수로 도입하여, 손익 지표가 재정지원에 의해 왜곡되는 국면에서 대안적 신호가 될 수 있는지를 검토한다. 관측기간을 2025년까지 확장한 점 또한 손실보상 종료 이후의 국면을 포착하기 위한 것이다.

2. 국내 지방의료원 재무성과 연구

국내에서 지방의료원의 재무성과를 다룬 연구는 손익 지표를 종속변수로 두고 그 결정요인을 규명하는 방식으로 축적되어 왔다. 30개 지방의료원의 22년간 자료를 고정효과 패널분석한 연구에서는 공공성, 효율성, 수익성 세 성과를 나누어 검토한 결과, 병상 규모의 증가가 공공성에는 부정적이나 효율성과 수익성에는 긍정적으로 작용하고, 인건비 비율은 세 성과 모두에 부정적이며, 공공성과 수익성이 서로 역관계에 있음이 보고되었다[6]. 34개 지방의료원의 2010~2019년 자료로 100병상당 의료이익과 의료이익률의 영향요인을 분석한 연구에서도, 시장점유율과 외래환자 수가 지역 특성을 매개하는 요인으로 확인되었고 의사·간호사의 적정 배치가 재무 안정성의 핵심 조건으로 제시되었다[7].

병원 유형 간 비교 연구도 이 진단을 뒷받침한다. 2019년 상급종합·종합병원 166개의 결산자료는 안정성·활동성·수익성 지표 전반에서 공공병원과 민간병원이 뚜렷이 구분된다는 사실을 보여준다. 특히 공공병원은 비용 지출 구조 때문에 자산을 활용하여도 이익으로 이어지지 않는다[1]. 코로나 19 국면을 다룬 연구는 더 직접적인 근거를 제공한다. 35개 지역거점공공병원의 2018~2022년 자료를 일반화 선형회귀로 분석한 결과, 의료수익은 감소하고 비용은 증가하여 의료이익과 의료이익률이 함께 하락하였다. 반면 100병상당 인력 규모는 감소하지 않았고 수도권 소재 기관의 수익성 하락 폭이 더 컸다[8]. 효율성 관점의 연구도 축적되어 있다. 34개 지방의료원을 대상으로 확률변경분석과 패널회귀를 결합한 2단계 분석에서는 고령인구 비율, 인건비 지출, 보조금 지원, 도시 규모가 경영 효율성과 정(+)의 관계를, 부채총액이 부(−)의 관계를 갖는 것으로 나타났다[9]. 자료포락분석과 맘퀴스트 생산성지수로 코로나19 전후를 비교한 연구는 보다 심각한 상황을 제시한다. 기술효율성 평균은 2019년 1.018에서 2021년 0.981, 2023년 0.901로 지속적으로 하락하였고 엔데믹 이후에도 회복되지 않았다[10].

제도 측면을 다룬 연구는 지원 방식 자체에 문제를 제기한다. 지방의료원의 지불보상체계와 재정지원을 종합적으로 검토한 연구는 국고보조금과 지방자치단체 지원이 사업별·시설별로 분절되어 있고 기능보강 중심의 일회성 지원에 치우쳐 있다고 지적하였다. 그 결과 지방의료원에 대한 지원은 경상적 운영을 안정화하는 기제로 작동하지 못한다고 평가하였다[11].

이들 연구는 지방의료원 재무 문제의 구조적 요인을 밝히는 데 기여하였다. 그러나 세 가지 제약을 공통으로 안고 있다. 첫째, 종속변수를 연속형변수로서 손익, 효율성 지표로 설정하여 위기라는 이산적 상태를 다루지 못한다. 둘째, 설명에 목적을 두고 있어 어느 기관이 위기에 이를 것인지를 사전에 판별하는 도구를 제시하지 않는다. 셋째, 관측기간이 대체로 2022~2023년에 이루어져서 코로나 19 손실보상 종료 이후의 국면을 담지 못한다.

3. 병원 재무곤경 조기경보 모형

병원 부문에서는 재무 상태를 사후에 평가하는 데 그치지 않고 2년 앞선 위험을 예측하여 감독 대상을 선별하는 도구가 개발되어 활용되고 있다. 미국 농촌병원을 대상으로 개발된 재무곤경지수(Financial Distress Index)가 대표적이다[12].

이 지수의 개념 틀은 회계 항등식에서 출발한다. 자산에서 부채를 차감한 것이 자본이고, 순이익은 자본에 누적되므로, 적자가 누적되면 자기자본이 감소하고 이것이 심화되면 자기자본이 음(−)이 되며 종국에는 폐업에 이른다. 즉 재무곤경은 하나의 사건이 아니라 신호 강도가 점차 커지는 연속선이며, 이 연속선 전체를 하나의 잠재지수로 포착할 수 있다는 것이 핵심 발상이다. 2000–2013년 농촌병원 2,466개 자료로 추정된이 모형은 검증표본에서 예측된 결과의 순서가 실제 결과의 순서와 얼마나 일치하는지를 판별하는 c-통계량(concordance statistic) 0.74를 기록하였고, 예측확률을 네 개의 위험 범주로 전환하였을 때 고위험군의 폐업률이 중저위험군의 28배에 이르렀다.

2025년 갱신 연구는 결과 체계를 현금흐름마진 음수, 자기자본 음수, 폐업의 세 가지로 정비하고 검정표본에서 모델의 예측력을 설명하는 AUC 0.87을 기록하였다[13]. 이 갱신 연구 주목할 부분은 지표의 배열 순서이다. 2017년 모형이 적자를 첫 신호로 두었던 자리에 현금흐름마진이 배치되었다. 병원의 재무 악화를 감지하는 출발점이 이익에서 현금으로 이동하였음을 의미한다. 다만 재무비율만으로 병원의 위기를 설명할 수는 없다. 병원 파산에 정치·경제적 요인이 개입한다는 지적은 오래전부터 있었고[14], 이 지적은 지방자치단체의 재정 여건과 정책 판단에 좌우되는 지방의료원에 더 강하게 적용된다.

그리스 국공립병원 2009–2019년 자료를 분석한 연구는 병원이 감독기관이 기대하는 수준에 맞추어 재량적 발생액을 조정하고 소규모 흑자를 보고한다는 사실을 밝혔다[15]. 이익 지표가 의료기관의 자생력이 아니라 감독 환경에 대한 대응을 반영한다는 뜻이다. 공공병원의 재무 상태는 이익만으로 판단할 수 없으며, 이익과 현금흐름이 어느 정도 괴리되어 있는지를 함께 보아야 한다.

4. 연구목적

본 연구의 목적은 지방의료원의 재무위기를 2년 앞서 예측하는 지표 체계를 구축하고, 어떤 재무 특성과 지역 여건이 위기를 예고하는지를 규명하는 것이다.

이를 위해 다음 세 가지를 검토하였다. 첫째, 지방의료원의 재무곤경 사건이 2년 전 시점의 지표로 예측 가능한지를 확인하였다. 둘째, 발생주의 손익 지표와 현금흐름 지표 가운데 어느 쪽이 이후의 위기를 더 잘 예고하는지를 비교하였다. 셋째, 재정지원의 규모와 지역 여건이 이후의 재무위기와 어떠한 관계에 있는지를 분석하였다.

Ⅱ. 연구방법

1. 연구 설계 및 자료

본 연구는 35개 지방의료원을 2019년부터 2025년까지 관측한 후향적 패널자료를 이용한 예측타당도 연구이다. 재무자료는 지역거점공공병원 알리미 공시 재무제표에서, 병상·인력 등 기관 특성은 건강보험심사평가원 요양기관 현황 자료에서 수집하여 익명요양기호와 연도를 키로 결합하였다. 총 245 기관-연도(35개 기관 × 7년) 중 개원 전 연도 1건을 제외한 244건을 자료로 구성하였다. 개원 전 1건은 2020년에 개원한 1개 기관의 2019년 관측치이며, 이에 따라 2019년은 34개 기관, 2020년 이후는 35개 기관이 관측된다.

분석 설계는 농촌병원 재무곤경지수 연구를 따랐다[12, 13]. 즉 t 시점의 기관 특성으로 t+2 시점의 재무곤경 사건을 예측하며, 출발 시점이 될 수 있는 해는 2년 뒤 결과가 관측되는 2019–2023년의 5개년으로 한정된다. 2024년과 2025년 관측치는 각각 2026년과 2027년의 결과가 필요하여 제외되었다. 그 결과 174 기관-연도(35개 기관 × 5개년 -개원 전 1건)가 분석 대상이 되었다. 본 연구는 사전 식별 가능성을 검증하는 것이 목적이므로, 모든 결과를 인과관계가 아닌 연관성과 예측력으로 서술하였다.

2. 변수의 정의

1) 재무곤경 사건

미국 농촌병원 재무곤경지수의 회계 항등식 개념 틀을 따라[12], 재무곤경을 신호 강도가 커지는 세 단계 사건으로 조작화하였다. 첫 단계는 자기자본 감소로, t 시점 대비 t+2 시점의 자본총계가 20%를 초과하여 감소한 경우로 정의하였다. 두 번째 단계는 자본잠식으로, 자본총계가 음(−)이 되어 자기자본비율이 0 미만인 상태를 뜻한다. 세 번째 단계는 유동성 위기로, 보유현금일수가 15일 미만인 경우로 정의하였다. 원 모형이 최종 신호로 사용한 폐업은 지방의료원에서 사실상 발생하지 않으므로 이를 유동성 위기로 대체하였으며, 15일이라는 임계값은 국내에 확립된 기준이 없어 표본 분포를 참고하여 설정하였다. 갱신 모형이 결과를 현금흐름마진 음수, 자기자본 음수, 폐업의 세 가지로 정비한 점[13]을 고려하여 사건 수도 세 가지로 한정하였다.

분석 대상 174 기관-연도에서 각 사건의 발생률은 자기자본 감소 46.6%, 자본잠식 36.8%, 유동성 위기 10.3%였다. 신호가 강해질수록 발생률이 낮아지는 구조로, Holmes et al.[12]이 보고한 적자 22%, 자기자본 감소 12%, 자기자본 음수 9%, 폐업 0.31%와 유사한 형태이다.

2) 예측변수

Holmes et al.[12]이 사용한 재무성과, 재정지원, 조직특성, 시장특성의 네 개 범주 구조를 참고하되, 국내 자료 여건과 본 연구의 관심에 맞추어 구성하였다. 재무성과는 발생주의 지표와 현금흐름 지표로 나누어, 전자는 총수익 순이익률을, 후자는 영업현금흐름률, 보유현금일수, 총발생액을 투입하였다. 재정지원은 총수익 대비 보조금비율로, 조직특성은 기관 규모를 나타내는 의료수익의 자연로그로, 시장특성은 법정 인구감소지역 소재 여부로 각각 측정하였다. 모든 예측변수는 결과보다 2년 앞선 t 시점의 값이다.

각 지표의 산식은 다음과 같으며, 계정과목의 명칭은 지역거점공공병원 알리미 공시 재무제표의 표기를 따랐다. 분모로 사용한 총수익은 의료수익과 의료외수익을 합한 값이고, 총비용은 의료비용과 의료외비용을 합한 값이다. 총수익 순이익률은 당기순이익을 총수익으로 나눈 백분율(당기순이익 ÷ 총수익 × 100)이며, 영업현금흐름률은 영업활동으로 인한 현금흐름을 동일한 총수익으로 나눈 백분율(영업활동으로 인한 현금흐름 ÷ 총수익 × 100)이다. 보유현금일수는 현금흐름표상 기말의 현금을 하루 평균 비용으로 나눈 값이며, 여기서 하루 평균 비용은 총비용을 365로 나누어 산출하였다(기말의 현금 ÷ (총비용 ÷ 365)). 총발생액은 당기순이익에서 영업활동으로 인한 현금흐름을 차감한 뒤 자산총계로 나눈 백분율((당기순이익 - 영업활동으로 인한 현금흐름) ÷ 자산총계 × 100)이다. 재정지원의 크기를 나타내는 보조금비율은 국고보조금과 지방자치단체 전출금을 합한 금액을 총수익으로 나눈 백분율(보조금 ÷ 총수익 × 100)이다. 추가적으로 총발생액(total accruals)를 좀더 자세히 설명하면, 이는 발생주의 회계로 산출한 당기순이익과 실제 현금흐름 사이의 차이를 뜻한다. 발생주의 회계는 현금의 수입·지출 시점과 무관하게 수익과 비용을 인식하므로 당기순이익은 영업활동으로 인한 현금흐름과 일치하지 않으며, 당기순이익은 영업활동현금흐름과 총발생액의 합으로 분해된다. 따라서 총발생액은 이익 가운데 현금의 뒷받침을 받지 못한 부분의 크기이다. 절대값이 클수록 이익과 현금흐름이 서로 멀어져 있다는 것, 곧 손익계산서에 보고된 이익이 그해의 현금 사정을 대표하지 못하는 정도가 크다는 것을 의미한다. 반대로 0에 가까울수록 두 지표가 수렴하여 이익만으로도 재무 상태를 판단할 수 있는 상태에 가깝다는 것을 의미한다.

시장특성 변수의 구성은 다음과 같다. 농촌병원 재무곤경지수는 시장 지역의 빈곤율, 인구 규모, 경쟁 병원까지의 거리를 시장특성으로 투입하였다[12]. 국내 연구에서도 시장 경쟁도를 측정하는 허핀달-허쉬만지수(HHI), 진료권 인구 규모, 지역의 소득 및 빈곤 수준이 병원 재무성과의 설명변수로 널리 활용되어 왔다. 다만 이들 지표를 본 연구에 그대로 적용하기에는 두 가지 제약이 있다. 첫째, HHI를 산출하려면 병원별 진료권을 획정한 뒤 해당 권역 내 경쟁 기관의 시장점유율을 계산해야 하는데, 이를 위한 의료기관별 환자수나 정확하게는 환자 거주지가 포함된 입원환자 진료실적 자료가 필요하지만 이러한 자료를 확보하기는 어려우며, 지역거점공공병원 알리미의 공시자료에는 대용 자료가 포함되어 있지 않다. 둘째, 지방의료원은 시군구 단위로 분산 소재하면서도 광역자치단체 차원의 공공의료 기능을 수행하므로, 민간병원과 동일한 방식으로 진료권을 구획할 경우 실제 환자 흐름을 반영하지 못할 소지가 크다. 국내에는 병원 단위 진료권을 일관되게 구획할 표준화된 자료가 아직 마련되어 있지 않다. 대신 본 연구는 법정 인구감소지역 소재 여부를 사용하였다. 인구감소지역 지정에 사용되는 인구감소지수가 인구 증감률과 고령화 비율뿐 아니라 재정자립도를 포함하고 있어, 지역 여건을 부분적으로 대리할 수 있다는 점도 고려하였다. 다만 이 변수가 시장 경쟁도까지 대신하지는 못한다는 한계는 결론에서 별도로 논의한다.

인구감소지역은 지방자치분권 및 지역균형발전에 관한 특별법 제2조 및 같은 법 시행령 제3조에 근거하여 행정안전부장관이 지정·고시하는 지역이다. 지정 단위는 시·군·자치구이며, 인구 증감률, 고령화 비율, 청년 순이동률, 조출생률, 재정자립도 등 인구구조와 지역 여건에 관한 복수의 지표를 종합한 인구감소지수를 산정하여 상위 지역을 선정한다. 2021년 10월 89개 시군구가 최초로 지정되었고, 지정 주기는 5년이다[16]. 지정된 지역에는 지방소멸대응기금 배분, 국고보조사업 우선 선정, 각종 특례 적용 등 별도의 재정·행정 지원이 이루어지므로, 이 지정 여부는 단순한 인구 통계가 아니라 국가가 공식적으로 인정한 지역 인구과 재정 지표라는 성격을 갖는다. 본 연구가 이 변수를 시장특성의 대리지표로 채택한 이유도 여기에 있다. 인구 감소는 지방의료원의 환자 기반 축소로 직결되며, 원 모형이 빈곤율과 시장인구로 포착하고자 한 지역 여건을 국내 제도 안에서 일관되게 대리할 수 있기 때문이다.

기관 소재지를 지정 단위인 시·군·구 기준으로 대조한 결과, 35개 지방의료원 중 9개 기관이 인구감소지역에 소재하였으며 분석 대상 174 기관-연도의 25.9%를 차지하였다. 지정 주기가 5년이고 분석기간 내 재지정이 없었으므로 시간불변 변수로 처리하였다.

총발생액은 당기순이익에서 영업현금흐름을 차감한 값으로, 이익 중 아직 현금으로 실현되지 않은 부분의 크기를 나타낸다. 보조금 의존도가 높은 기관일수록 이 괴리가 커지므로, 이익 지표만으로는 포착되지 않는 재무 상태를 반영할 것으로 기대하였다.

보조금은 국고보조금과 지방자치단체 전출금의 분류 기준이 기관·연도별로 일관되지 않아 재원별 구분이 측정오차로 작용할 수 있으므로, 재원을 나누지 않은 총수익 대비 합산 비율만을 사용하였다.

3) 재무건전성 기준 충족률

Holmes et al.[12]의 연구가 미국 농촌병원용 11개 재무 기준의 충족률을 예측변수로 활용한 점에 착안하여, 국내 지방의료원에 적용 가능한 6개 기준을 구성하고 그 충족률을 산출하였다(의료수익 의료이익률 −20% 초과, 총수익 순이익률 0 초과, 영업현금흐름률 5% 초과, 보유현금일수 60일 초과, 자기자본비율 0 초과, 총자산 대비 부채비율 50% 미만). 이는 예비 분석에서 개별 지표와 중복되어 최종 모형에서는 제외하였으나, 기관별 재무 상태를 요약하는 실무 도구로서의 활용 가능성은 고찰에서 논의한다.

3. 분석방법

1) 적층 다중결과 모형

세 개의 재무곤경 사건을 각각 별도로 분석하면 사건 수가 나뉘어 추정이 불안정해진다. 기존 연구는 이를 하나의 모형에 사건을 축적하는 방식으로 해결하였고[12], 본 연구도 같은 구조를 채택하였다.

구체적으로 기관-연도 하나가 결과 종류별로 세 개의 관측치로 확장되며, 모형은 다음과 같이 설정된다.

여기서 Λ ( · )는 로지스틱 변환을 나타내고, X t는 t 시점의 예측변수 벡터, β는 그 계수 벡터이다. 따라서 X t β는 세 사건에 공통으로 작용하는 단일 재무곤경지수(θ)이며, φ k는 사건 종류 k별 발생 빈도의 차이를 흡수하는 절편항이다. 유동성 위기가 자기자본 감소보다 드물게 발생한다는 사실이 φ k에 반영되므로, 하나의 위험지수로 서로 다른 심각도의 사건을 함께 다룰 수 있다. 이 방식으로 174 기관-연도가 각각 세 개의 관측치로 확장되어 522개(174 × 3)의 분석 관측치가 되었고, 이 중 사건이 발생한 것은 163건이었다. 세 사건을 따로 분석할 경우 각각 81건, 64건, 18건으로 나뉘어 특히 유동성 위기의 추정이 불안정해지나, 적층 구조에서는 163건을 함께 사용하게 된다. 표준오차는 같은 기관의 반복 관측이 서로 유사하다면 점을 반영하여 기관 단위로 클러스터링하였다.

2) 검증

모형을 위해 구성한 데이터로 모형을 평가하면 성능이 실제보다 좋게 나온다. 이를 피하기 위해 기존 연구가 기관 식별번호의 홀짝으로 표본을 나눈 방식을 따라, 식별번호가 홀수인 18개 기관을 개발표본으로 모형을 추정하고 나머지 17개 기관을 검증표본으로 두어 성능을 확인하였다[12]. 홀짝 분할은 무작위 배정과 사실상 같은 결과를 산출하면서 재현이 가능하다는 이점이 있다.

예측모형의 성능은 판별력과 보정도로 나누어 평가한다. 판별력은 위기를 겪을 기관과 그렇지 않을 기관의 순위를 제대로 매기는가를, 보정도는 산출된 확률의 크기 자체가 타당한가를 본다. 판별력은 기존 연구와 동일하게 AUC(area under the receiver operating characteristic curve, 수신자조작특성 곡선 하 면적)로 측정하였으며, 이는 진단검사 분야에서 c-통계량이라 부르는 것과 같은 값이다. AUC는 실제로 재무곤경을 겪은 기관-연도 하나와 겪지 않은 기관-연도 하나를 무작위로 뽑았을 때, 모형이 전자에 더 높은 위험확률을 부여할 확률로 해석된다. 따라서 0.5이면 두 경우를 구분하지 못하여 무작위 추측과 동일한 수준이며, 1.0 이면 모든 쌍에서 순위를 정확히 판별함을 의미한다. 통상 0.6–0.7은 미흡, 0.7–0.8은 보통, 0.8–0.9는 양호, 0.9 이상은 우수로 해석한다[13].

한편 판별력이 높더라도 예측확률이 실제보다 일관되게 높거나 낮으면 실무에서 위험 수준을 오판할 수 있다. 이에 갱신 모형이 수행한 절차에 따라 위험 범주별 평균 예측확률과 실제 발생률을 대조하여 두 값이 서로 근접하는지를 함께 확인하였다[13]. 예측확률을 실무에서 활용할 수 있도록 네 개의 위험 범주로 전환하였다. 기존 연구[12][13]를 참고하여 예측확률의 절대 임계값을 기준으로 하였다. 자기자본 감소 확률이 30% 미만인 경우를 최저위험군으로, 그 외에서 자본잠식 확률이 25% 미만이면 중저위험군, 25% 이상 50% 미만이면 중고위험군, 50% 이상이면 고위험군으로 분류하였다. 임계값 30%, 25%, 50%는 두 사건의 표본 내 발생률과 예측확률 분포를 함께 고려하여 설정하였다. 분석은 Stata 18 통계 프로그램을 사용하였다.

Ⅲ. 연구결과

1. 대상기관의 재무 상태

분석 대상 174기관-연도의 평균 병상 규모는 274.6병상이었고 87.4%가 종합병원급, 25.9%가 법정 인구감소지역에 소재하였다. 평균 총수익 순이익률은 1.0%, 영업현금흐름률은 2.7%, 보유현금일수는 56.3일이었으며, 총수익 대비 보조금비율은 평균 25.6%로 수익의 4분의 1을 재정지원에 의존하고 있었다<Table 1>. 다만 보유현금일수와 총발생액은 분포가 크게 치우쳐 있어 평균이 소수의 극단값에 끌린다. 보유현금일수는 중앙값이 41.2일인 데 비해 최댓값이 403.1일이고, 총발생액은 − 136.1%에서 130.2%까지 분포한다. 이 때문에 두 지표는 평균과 함께 중앙값을 병기하였다.

2년 후 재무곤경 사건의 발생률은 자기자본 20% 이상 감소하는 이벤트는 46.6%, 자본잠식 이벤트는 36.8%, 현금보유일수 15일 미만의 유동성 위기는 10.3%였다. 관측기간 중 자본잠식은 한 번 진입하면 지속되는 상태가 아니었다. 2019년 시점 운영 상태인 34개 기관 중 16개가 자본잠식 상태였고, 이후 미잠식에서 잠식으로의 진입이 14건, 잠식에서 탈출한 사례가 12건 발생하였다.

여기서 진입과 탈출의 건수는 기관-연도 단위의 상태 전이를 계산한 것으로, 동일 기관이 탈출한 뒤 재진입하고 다시 탈출하면 각각 별개의 건수로 집계된다. 탈출 12건은 11개 기관에서 발생하였으며, 이 가운데 1개 기관만 관측기간 중 두 차례 탈출하였다. 진입 14건은 서로 다른 14개 기관에서 발생하였다. 연도별로는 탈출이 2020년 3건, 2021년 6건, 2022년 1건, 2024년 1건, 2025년 1건이었고, 진입은 2020년 1건, 2022년 2건, 2023년 5건, 2024년 2건, 2025년 4건이었다. 탈출 12건 중 11건에서 자본총계 증가분이 당기순이익과 일치하여, 잠식 해소가 지방자치단체의 출연이 아니라 당기순이익 흑자에 의한 것이었음이 확인되었다. 손실보상기(2020–2022년)에 발생한 탈출 10건 중 7건은 2023–2025년에 다시 자본잠식에 진입하였다.

같은 기간 총수익 대비 보조금비율은 2019년 10.5%에서 2021년 38.6%까지 상승하였다가 지원이 종료된 2023년 14.3%로 되돌아갔다. 손익 지표가 2021년에 정점을 찍고 2023년에 반전된 궤적과 같은 모양이며, 이 시기의 손익 개선이 재정지원의 유입에 따른 것이었음을 보여준다.

2. 재무지표의 연도별 추이

2021년은 외형적으로 재무적 성과가 가장 좋은 해였다. 총수익 순이익률은 17.9%로 분석 기간 중 최고 수준이였으며, 자본잠식 기관은 8개로 관측기간 중 가장 적었으며, 보유현금일수도 83.9일 수준으로 증가되었다. 그러나 같은 해 의료수익 의료이익률은 –43.9%였다. 본업인 의료활동에서 손실이 이어지는 동안 당기순손익만 흑자가 확대된 것이다.

이 괴리는 손실보상기 내내 유지되었다. 의료이익률은 2020년 이후 –43%에서 -70% 사이를 벗어나지 못한 반면, 순이익률은 2019년 0.7%에서 2021년까지 지속적으로 상승하였다. 그리고 지원이 종료된 2023년에는 총수익 순이익률은 –21.0%로 반전되었다. 자본잠식 기관은 2025년 18개로 증가되어 관측기간 중 가장 많았고, 보유현금일수는 26.5일까지 하락하여 2019년 수준인 30.1일보다 하향하였다<Table 2>.

3. 재무곤경의 예측요인

먼저 모형 전체의 예측력을 보면, 발생주의 손익 지표만을 포함한 모형 1의 AUC는 전체 표본 0.743, 검증표본 0.709였다. 여기에 현금흐름 지표를 추가한 모형 2에서는 각각 0.755와 0.718로 개선되었다<Table 3>. 검증표본은 모형을 만드는 데 사용하지 않은 17개 기관이므로, 이 값은 처음 보는 기관에 대해서도 열 번 중 일곱 번 가량은 위기 기관과 그렇지 않은 기관의 순위를 판별할 수 있음을 의미한다.

개별 예측요인은 오즈비(odds ratio, OR)로 제시하였다. 오즈비가 1보다 크면 해당 특성이 재무곤경 위험을 높이고, 1보다 작으면 낮춘다고 해석되며, 1에 가까울수록 관련이 없다는 의미이다. 모형 2의 결과에서 주목할 점은 세 가지이다.

첫째, 손익 지표는 2년 후의 위기를 예상할 수 있지 못한 반면 현금흐름 지표는 예상하였다. 발생주의 손익 지표만을 투입한 모형 1에서는 총수익 순이익률이 유의한 예측요인이었다(OR=0.96, p=.035). 그러나 현금흐름 지표를 함께 투입한 모형 2에서는 이 관련성이 사라졌다. 총수익 순이익률의 오즈비는 1.05이나 통계적으로 유의하지 않았고(p=.226), 이는 오늘 흑자인지 적자인지가 2년 뒤 위기 여부와 관계가 없음을 의미한다. 손익 지표가 단독으로 가지고 있던 예측력이 현금흐름 지표로 흡수된 것으로, 재정지원이 손익계산서를 통과하는 국면에서 이익 지표가 독자적인 신호로 기능하지 못하였음을 뜻한다. 반면 영업현금흐름률은 오즈비 0.90으로 유의하였는데(p=.019), 이 비율이 1%p 높은 기관일수록 재무곤경 위험이 약 10% 씩 낮아진다는 의미이다. 총발생액도 유의하였다(OR=0.98, p=.038). 총발생액이 낮다는 것은 당기순이익이 영업현금흐름을 하회한다는 의미이므로, 회계상 손실이 실제 현금 유출보다 크게 잡히는 기관일수록 이후 위기 위험이 높았다고 해석할 수 있다. 다만 보유현금일수는 유의하지 않아(OR=1.01, p=.242), 현금흐름 지표 중에서도 보유 잔액의 수준보다 자금 순환 흐름과 이익과 현금의 차이가 더 의미있는 지표로 분석되었다.

둘째, 재정지원의 규모는 이후의 위기 위험과 통계적 관련성이 나타나지 않았다. 총수익 대비 보조금비율의 오즈비는 1.01로 1에 매우 가까웠고 유의하지 않았다(p=.512). 즉 보조금 수준과 2년 뒤 재무곤경 위험과의 관련성이 나타나지 않았다.

셋째, 법정 인구감소지역 소재 여부가 가장 유의한 위험요인이었다(OR=3.45, p=.003). 재무성과 지표와 기관 규모를 동일하게 맞추고 비교하였을 때, 인구감소지역에 소재한 기관의 재무곤경 위험은 그렇지 않은 기관의 약 3.4배였다. 여기서 한 가지 유의할 점이 있다. 다른 변수를 고려하지 않고 두 집단의 자본잠식 발생률만 단순 비교하면 46.7%와 33.3%로 차이가 통계적으로 유의하지 않았다(p=.150). 인구감소지역 기관이라고 해서 일률적으로 재무 상태가 열악한 것은 아니었으나, 재무 상태가 비슷한 기관 간에 비교하면, 인구감소지역에 소재한 기관이 이후 위기로 이어질 확률이 높았다.

마지막으로 사건 종류별 검증표본 AUC는 자기자본 감소 0.557, 자본잠식 0.628, 유동성 위기 0.727로, 위기의 심각도가 클수록 예측이 정확한 경향을 보였다. 다만 유동성 위기는 사건이 18건에 불과하여 이 값의 불확실성이 크다는 점을 함께 고려해야 한다.

4. 위험 범주별 재무곤경 발생률

예측확률은 연속적인 값이어서 그대로는 의사결정 과정에 적용하기 어렵다. 본 연구는 선행 연구가 취한 방식에 따라 이를 네 개의 위험 범주로 나누고, 각 범주가 2년 뒤의 실제 사건을 얼마나 판별하는지 확인하였다<Figure 1>. 범주는 표본의 사분위가 아니라 예측확률의 절대 임계값으로 구분하였으므로 범주별 관측치 수는 균등하지 않다. 174 기관-연도 가운데 최저위험군이 34건(19.5%), 중저위험군이 36건(20.7%), 중고위험군이 55건(31.6%), 고위험군이 49건(28.2%)이었다.

세 사건은 서로 다른 모습을 나타냈다. 자본잠식은 범주가 높아질수록 단조적으로 상승하였다. 14.7%, 30.6%, 34.5%, 59.2%로 상승하여 고위험군에서 최저위험군의 4.0배에 이르렀다. 유동성 위기는 계단형 양상을 보였다. 하위 세 범주는 5.9%, 5.6%, 5.5%로 사실상 동일하였고, 고위험군에서만 22.4%로 상승하여 3.8배 차이를 냈다. 자기자본 감소는 세 사건 가운데 범주 간 구분이 가장 불분명하였다. 32.4%, 44.4%, 43.6%, 61.2%로 전반적 방향은 상승이었으나 중저위험군과 중고위험군에서 순서가 역전되었다. 세 사건 가운데 가장 흔하고(46.6%) 신호 강도가 약한 초기 지표이기 때문으로 판단된다.

<Figure 1>

Observed rates of financial distress by risk category

Note. Risk categories are defined by absolute thresholds of predicted probabilities, not by sample quartiles: Lowest = P(equity decline) < 0.30; Mid-lowest = P(negative equity) < 0.25; Mid-highest = 0.25 ≤ P(negative equity) < 0.50; Highest = P(negative equity) ≥ 0.50.

이 계층화는 관리·감독 체계에 직접 적용할 수 있다. 전체 기관-연도의 28.2%인 고위험군 49건만 중점 관리 대상으로 삼아도 이후 발생한 유동성 위기 18건 중 11건(61.1%)과 자본잠식 64건 중 29 건(45.3%)을 사전에 포착한다. 관찰 범위를 4분의 1로 좁히면서 심각한 사건의 절반 이상을 포착한다는 뜻이다.

다만 계층화의 폭은 국제 문헌보다 좁다. 미국 농촌병원 연구는 고위험군의 폐업률이 중저위험군의 28배라고 보고하였고[12], 갱신 모형에서는 고위험군의 자기자본 음수 발생률이 43.0%로 최저위험군 1.5%의 약 29배로 보고되었다[13]. 본 연구의 4.0배는 기존 연구에 결과 보다 매우 낮은 수준이다. 그러나 이 차이는 판별력에서 기인하지 않는다. 최저위험군의 발생률 자체가 14.7%로 이미 높기 때문이다. 미국 농촌병원이 1.5%를 기록한 자리에서 지방의료원은 14.7%를 기록하였다. 위험이 낮게 분류된 기관에서조차 자본잠식이 드물지 않은 것이다.

5. 손실보상기 흑자 기관의 이후 위기

손실보상기(2020–2022년) 평균 총수익 순이익률이 양(+)인 기관은 35개 중 32개(91.4%)였다. 같은 기간 평균 의료수익 의료이익률이 양(+)인 기관은 한 곳도 없었다. 32개 흑자 기관을 손실보상기 평균 영업현금흐름률의 중앙값으로 구분한 결과, 하위 집단 14개 기관 중 12개(85.7%)가 2023~2025년에 자본잠식을 경험한 반면 상위 집단 18개 기관 중에서는 5개(27.8%)에 그쳤다(Fisher exact test p=.002)<Table 4-Panel A>.

다만 위 분석은 손실보상기 3개년의 평균값을 사용하므로 해당 기간이 종료된 뒤에야 산출이 가능하다. 실제 모니터링 상황에서도 동일한 변별이 가능한지를 확인하기 위하여 각 연도의 단일 연도 영업현금흐름률로 동일한 절차를 반복하였다 <Table 4-Panel B>. 손실보상 첫 해인 2020년 자료만을 사용하는 경우, 당해 연도 순이익률이 양(+) 인 21개 기관 가운데 영업현금흐름률 하위 7개 기관은 전부(100.0%)가 이후 자본잠식을 경험한 반면 상위 14개 기관에서는 3개(21.4%)에 그쳤다(p=.001). 2021년 자료를 사용한 경우에는 흑자 33개 기관 중 하위 집단 73.3%, 상위 집단 38.9%(p=.080), 2022년 자료를 사용한 경우에는 흑자 28개 기관 중 하위 집단 60.0%, 상위 집단 38.9%(p=.433)로 나타났다. 3개년 평균을 사용한 Panel A보다 오히려 뚜렷한 대비를 보였다. 판별의 강도는 손실보상 초기에 가장 뚜렷하였고 시간이 지날수록 약화되어 2022년에는 두 집단의 차이가 통계적으로 유의하지 않았다(60.0% 대 38.9%, p=.433). 이는 3개년 평균에 의존하지 않더라도, 늦어도 2020년 결산 시점에 공시된 현금흐름 정보만으로 이후 위기 기관의 상당 부분을 사전에 구분할 수 있었음을 보여준다.

Ⅳ. 고찰

본 연구의 주된 분석 결과는 코로나19 손실보상이 지급되던 시기에 지방의료원의 재무 취약성이 겉으로 드러나지 않았다는 것이다. 손실보상기에 지방의료원의 91.4%가 당기순이익 흑자를 보고하였으나 같은 기간 의료이익률이 양(+)인 기관은 한 곳도 없었으며, 자본잠식에서 벗어난 12건 중 11건은 당기순이익 흑자에 의한 것이였다. 손실보상기에 발생한 탈출 10건 가운데 7건은 2023–2025년

시점에 다시 자본잠식 상태였다. 이 시기의 재무 개선이 본업의 회복이 아니라 의료외수익 유입에 따른 일시적 현상이었음을 뜻한다. 이러한 국면에서 기관 간 차이를 구별한 것은 현금흐름 정보였다. 회귀분석에서 순이익률은 2년 후 재무곤경을 예측하지 못한 반면 영업현금흐름률과 총발생액은 유의하였고, 흑자 기관 중에서도 영업현금흐름 하위 집단의 85.7%가 이후 자본잠식을 경험하였다. 손익 지표만으로는 구별되지 않던 32개 기관이 현금흐름 지표를 함께 관찰할 경우 사후적으로 구분되었으며, 손실보상 첫 해인 2020년의 단일 연도 자료만으로도 동일한 변별이 가능하였다는 점(하위 100.0% 대 상위 21.4%, p=.001)에서 이러한 구분이 사후 분석에만 국한된 것이 아님을 확인할 수 있었다.

당기순이익에서 영업현금흐름을 차감한 값, 곧 이익 가운데 현금의 뒷받침을 받지 못하는 부분을 나타내는 총발생액이 예측력을 가진 배경은 공공병원의 회계 행태에서 찾을 수 있다. 그리스 국공립병원 연구는 공공병원이 감독기관이 기대하는 수준에 맞추어 재량적 발생액을 조정하고 소규모 흑자를 보고하는 경향이 있음을 보고하였다[15]. 이런 환경에서 이익 지표는 기관의 자생력이 아니라 감독 환경에 대한 대응을 담는다. 반면 당기순이익과 영업현금흐름간의 차이를 측정하는 총발생액은 그러한 조정에 상대적으로 영향을 덜 받는다. 회계 처리로 이익을 끌어올려도 현금이 확보되지 않으면 오히려 당기순이익과 영업현금흐름간의 간격이 벌어지기 때문이다. 본 연구의 모형 2에서 순이익률이 아니라 총발생액이 유의하였던 것은 이러한 맥락에서 해석된다.

본 연구의 자료에서도 이익과 현금흐름의 괴리가 위기에 선행하는 양상이 관찰되었다. 총발생액의 연도별 평균은 2019년 –5.9%, 2020년 −11.0%에서 손실보상기금 지급이 본격화되는 2021~2022년에 양(+)으로 전환되었다가(2021년 4.0%, 2022년 1.3%) 지원이 종료된 뒤 -13.1%(2023년), − 18.1%(2024년), -18.4%(2025년)로 급격히 확대되었다. 즉 손실보상기 중반에는 보조금 유입으로 당기순이익이 영업현금흐름을 상회하면서 괴리가 일시적으로 해소된 것처럼 보였으나, 지원이 중단되자 회계상 손실이 현금 유출을 크게 앞지르는 형태로 괴리가 다시 확대된 것이다. 같은 기간 보유현금일수는 2021년 83.9일에서 2025년 26.5일로 감소하였고 자본잠식 기관은 8개에서 18개로 늘었다. 이익과 현금흐름의 간격이 벌어지는 시점과 자본잠식이 확산되는 시점이 겹친다는 사실은, 이 괴리가 단순한 회계적 현상이 아니라 조기경보 신호로 기능할 수 있음을 시사한다. 다만 본 연구의 회귀분석에서 총발생액의 오즈비는 0.98로 효과의 크기 자체는 크지 않았으며, 이는 총발생액이 단독 지표라기보다 영업현금흐름률과 함께 관찰할 때 의미를 갖는 보조 신호임을 뜻한다. 공공병원에서 자산 활용이 이익으로 이어지지 않는다는 선행 연구의 결과[1]도 같은 방향을 가리킨다. 여기에 보조금비율이 재무곤경 위험과 통계적으로 유의한 관련을 보이지 않았다는 본 연구 결과를 더하면, 공공병원의 재무 안정성은 투입 규모가 아니라 자금 순환의 구조가 중요하다는 점을 시사한다

인구감소지역 소재는 이 모형에서 가장 강한 위험요인이었다. 다만 그 의미는 단변량 비교와 함께 읽어야 한다. 두 집단의 자본잠식 발생률만 놓고 보면 46.7%와 33.3%로 차이가 유의하지 않았다. 재무성과와 기관 규모를 통제한 뒤에야 3.4배라는 격차가 나타났다. 인구감소지역 기관이 애초에 재무 상태가 나쁜 것이 아니라, 유사한 상태에서 출발한 기관들이 지역 여건에 따라 상이한 궤적을 보였다는 뜻이다. 경영 개선의 노력으로 극복하기 어려운 제약이 지역 차원에 존재한다. 미국 농촌병원 연구가 시장 지역의 빈곤율에서 1.8배의 위험 증가를 확인한 것도[12], 동일한 문제를 제시한다.

국내 선행연구와의 차별성은 세 측면에 있다. 첫째, 기존 연구가 의료이익률과 효율성 점수의 수준을 설명하였다면[6][7], 본 연구는 재무위기라는 상태 도달을 사전에 식별한다. 둘째, 예측 성능을 명시적으로 보고하고 분할표본으로 검증하였다. 셋째, 현금흐름표 정보를 예측변수로 도입하였다. 특히 동일한 35개 기관을 대상으로 코로나19의 영향을 분석한 연구가 의료이익률의 하락을 보고한 데 이어[8], 본 연구는 관측기간을 2025년까지 연장하여 의료이익률의 악화가 손익 지표에 가려져 있다가 손실보상 종료와 함께 자본잠식으로 현실화되는 과정을 보였다. 또한 코로나19 전후 기술효율성이 지속적으로 하락하였다는 보고[10] 및 부채총액이 경영 효율성과 부(−)의 관계에 있다는 보고[9]가 투입 대비 산출의 악화를 보여 준다면, 본 연구는 그 악화가 어느 기관에서 재무위기로 귀결되는지를 사전에 식별한다는 점에서 상보적이다.

Ⅴ. 결론

1. 정책적 시사점

본 연구의 정책적 시사점은 다음과 같다. 첫째, 공공병원 재무 모니터링 지표 체계의 개편이 필요하다. 가장 직접적인 함의는 감독 지표를 손익 중심에서 현금흐름 병행으로 전환해야 한다는 것이다. 본 연구에서 발생주의 순이익률은 현금흐름 지표를 동시에 고려할 경우 2년 후 재무곤경을 예측하지 못하였다. 재정지원이 손익계산서를 통과하는 구조에서 순이익률은 기관의 자생력이 아니라 지원 규모를 반영하기 때문이다.

코로나19를 겪은 각국의 공공병원 재무관리 논의에서도 자금 유동성이 재무건전성 평가의 초점으로 제시되고 있다[5]. 현금흐름표는 이미 「지역거점공공병원 알리미」를 통해 공시되고 있으므로, 추가적인 자료 수집 부담 없이 즉시 시행이 가능하다. 최소한 의료손익과 총손익을 분리하여 제시하고 영업현금흐름률을 병기하는 것만으로도 본 연구가 확인한 착시의 상당 부분은 해소된다.

둘째, 재정지원 배분에 지역 여건을 반영해야 한다. 본 연구에서 총수익 대비 보조금비율은 이후의 재무곤경 위험과 통계적으로 유의한 관련성을 보이지 않았던 반면, 인구감소지역 소재 여부는 위험을 3.4배 높였다. 다만 보조금 계수의 해석에는 주의가 필요하다. 보조금비율은 순이익률과는 양(+)의, 의료이익률과는 음(−)의 상관을 동시에 보이는데(각각 r=.48, r=−.46), 이는 재정지원이 재무 상태가 취약한 기관에 우선 배분되면서도 배분된 기관의 회계상 손익은 개선시키는 두 경로가 서로 상쇄되기 때문이다. 따라서 유의하지 않은 계수를 지원의 무용함으로 읽어서는 안되며, 현재의 지원 방식이 손실을 사후에 보전하는 데 머무를뿐 구조적 위험요인 자체를 완화하지는 못하고 있다는 의미로 이해하는 것이 타당하다.

이 결과는 기존 지적과 맞물린다. 지방의료원의 재정지원을 검토한 연구는 국고보조금과 지방자치단체 지원이 사업별·시설별로 분절되어 있고 기능보강 중심의 일회성 지원에 치우쳐 경상 운영을 안정화하지 못한다고 지적하였다[11]. 또한 독립채산제 아래에서 인건비 부담 때문에 필수 인력을 확충하지 못하는 구조[4]가 지속되는 한, 지원 규모의 증액만으로는 재무 안정성이 개선되기 어렵다. 본 연구의 결과는 지원의 총량보다 지원이 어떤 항목을 통해 어떤 주기로 집행되는지가 재무 안정성에 더 중요할 수 있음을 시사한다.

지역 여건은 기관의 경영 노력으로 통제할 수 없다. 그렇다면 인구감소지역 소재 기관에 동일한 성과 기준을 적용하는 방식은 재고해야 한다. 인구 감소가 선행된 일본이 병상 규모 조정과 기능 재편을 지역의료 구상 안에서 다루어 온 경험[17]은 이 설계의 참고가 될 수 있다.

2. 연구의 한계 및 후속 연구 제언

본 연구는 몇 가지 제약을 안고 있다. 첫째, 대상 기관이 35개, 분석 대상이 174 기관-연도에 그쳐 검정력이 부족하다. 적층 구조로 522개의 관측치를 확보하였으나 독립적인 정보의 단위는 여전히 35개 기관이다. 사건 종류별 검증표본 AUC가 0.557에서 0.727까지 넓게 흩어진 것이 이 한계를 그대로 드러낸다. 둘째, 예측 출발점인 2019–2023년 가운데 절반이 대규모 손실보상이 지급된 시기에 걸쳐 있다. 따라서 추정한 계수가 감염병 대응기의 특성을 일부 담고 있을 수 있다. 셋째, 자기자본이 이미 음수인 기관에서는 20% 감소라는 기준을 해석하기 어렵다. 유동성 위기 기준으로 삼은 보유현금일수 15일도 국내에 확립된 임계값이 없어 표본 분포를 보고 정하였다. 이 값은 결과 시점 보유현금일수 분포의 하위 10.3퍼센타일에 해당한다. 임계값을 20일로 높이면 사건 발생률이 24.1%로 상승하여 자본잠식(36.8%)과의 신호 강도 차이가 흐려지고, 10일로 낮추면 사건이 12건으로 줄어든다. 10일에서 25일까지 임계값을 바꾸어 모형을 재추정한 결과 영업현금흐름률과 총발생액의 오즈비는 각각 0.90과 0.98 부근에서 유지되었으나, 10일에서는 사건 수가 부족하여 두 지표 모두 유의성을 잃었다(p=.056, p=.098). 임계값 설정이 결과의 방향을 바꾸지는 않으나 사건 수가 적을 때 추정이 불안정해진다는 점은 본 연구의 제약 요인이다.

넷째, 경영진의 역량, 지방자치단체의 재정력과 지원 의지, 의사 인력 확보 여부처럼 공시자료로 잡히지 않는 요인이 모형에서 빠져 있다. 원 모형도 관리 역량과 조직 내부 의사결정을 담지 못한 점을 한계로 밝혔다[12]. 다섯째, 시장특성을 인구감소지역 소재라는 단일한 이분변수로 대리한 점은 본 연구의 한계이다. 국내외 병원경영 연구가 허핀달-허쉬만지수 등 시장 경쟁도, 진료권 인구 규모, 지역 소득 및 빈곤 수준을 각각 구분하여 투입해 온 것과 달리, 본 연구의 변수는 이 세 차원을 인구감소지역 지정 여부로 압축한다. 그 결과 인접 지역에 경쟁 병원이 밀집한 기관과 그렇지 않은 기관이 동일하게 처리되며, 인구감소지역으로 지정되지 않았더라도 실질적으로 환자 기반이 축소되고 있는 지역의 위험은 포착되지 않는다. 인구감소지역 소재의 오즈비 3.4가 지역 쇠퇴 자체의 효과인지, 그와 상관된 시장 경쟁 구조나 지역 소득수준의 효과인지를 본 연구의 설계로는 분리할 수 없었다.

여섯째, 보조금 변수는 신중하게 해석해야 한다. 재정지원은 재무 상태가 악회된 기관에 더 많이 배분된다. 그러므로 보조금비율이 재무곤경 위험과 유의한 관련성을 보이지 않는 것을 지원의 효과가 없다는 의미로 해석해서는 안 된다. 본 연구가 확인한 상관관계는 재정 지원 배분의 역선택과 지원의 손익 개선 효과가 서로 상쇄된 결과일 가능성을 시사하며, 이를 분리하려면 지원 결정에 영향을 미치는 외생적 변동을 활용한 별도의 식별 전략이 필요하다. 일곱째, 본 연구는 예측 설계이지 인과추정이 아니다. 영업현금흐름의 악화가 자본잠식을 일으킨다고 말할 수 없다. 본 연구가 보인 것은 이러한 특성을 가진 기관이 2년 뒤 위기를 겪을 확률이 높다는 연관성이며, 그 확률을 사전에 판별할 수 있다는 점이다.

이 제약들은 곧 후속 연구의 과제이기도 하다. 먼저 해결해야 할 과제는 국립대병원, 적십자병원, 보훈·산재병원 등 공공의료기관 전체로 표본을 넓히는 것이다. 기관 수가 확대되면 세 개의 재무곤경 사건을 각각 별도로 추정할 수 있어, 본 연구가 적층 구조에 기댄 이유 자체가 사라진다. 설립 주체별로 위험요인이 어떻게 다른지도 확인할 수 있다. 다음으로 건강보험 청구자료의 환자 주소지 정보를 활용하여 기관별 진료권을 획정하고, 허핀달-허쉬만지수와 진료권 인구·소득 지표를 각각 독립된 변수로 투입하는 확장이 필요하다. 이를 통해 본 연구가 인구감소지역 소재라는 하나의 변수에 묶어 둔 지역 효과를 시장 경쟁, 시장 규모, 지역 경제력의 세 경로로 분해할 수 있다. 또한 의료기관 회계정보 공시자료를 활용하여 같은 모형을 민간병원에 적용해 볼 필요가 있다. 손익 지표가 아니라 현금흐름 지표가 위기를 예고한다는 본 연구의 결과가 공공병원에만 나타나는 현상인지 이 비교로 확인할 수 있다. 마지막으로 손실보상 종료 이후의 자료가 쌓이는 대로 모형을 다시 추정하여, 코로나19 국면의 특수성을 통제한 계수를 확인하는 것이 필요하다.