跳到主要內容

台灣政府七月底最新統計資料綜合分析報告,市場之我見

台灣政府各部門於2025年7月底陸續發布多項重要統計資料,涵蓋就業市場、經濟成長預測、對外貿易、工業生產等關鍵經濟指標。本報告綜合分析主要包括主計總處7月22日發布的就業失業統計、台灣經濟研究院7月25日發布的總體經濟預測、中華經濟研究院7月17日的經濟展望,以及其他政府部門的重要數據發布[1][2][3][4][5][6]。這些數據共同描繪出台灣經濟在2025年呈現「前高後低」的發展格局,上半年受惠於AI需求及提前拉貨效應表現強勁,但下半年將面臨成長動能趨緩的挑戰。

就業市場表現:失業率季節性上升但仍創24年同月新低

根據主計總處7月22日發布的統計數據,2025年7月失業率為3.45%,較6月上升0.06個百分點,連續2個月走揚,但仍創下24年同月最低紀錄[7][4]。經季節調整後的失業率為3.34%,與6月持平。主計總處分析指出,7月失業率上升主要受畢業季影響,屬於季節性變化,過去5年數據顯示,7月失業率月增幅度多在0.04到0.09個百分點之間,今年0.06個百分點的增幅仍落在合理區間內[7]。

就業人數方面,7月達到1,161萬1千人,較6月增加2萬3千人或0.20%,主要增長來自服務業的1萬9千人,受惠於暑期商機帶動用人需求[4]。失業人數為41萬5千人,較上月增加9千人,其中初次尋職失業者增加5千人,因對原有工作不滿意而失業者增加4千人,均反映畢業季的正常現象[7]。勞動力參與率為59.40%,較上月上升0.15個百分點,顯示勞動市場整體仍保持穩健[4]。 從國際比較來看,台灣7月季調後失業率3.34%表現優異,明顯低於加拿大的6.4%、美國的4.3%,僅略高於香港的3%和南韓的2.5%[7]。整體而言,雖然失業率因畢業季因素微幅上升,但勞動市場基本面穩定,就業情勢良好。

經濟成長預測:各機構預估「保3」有望但下半年趨緩

台灣主要經濟預測機構在7月陸續發布2025年經濟成長率預測,普遍維持樂觀但謹慎的態度。台灣經濟研究院7月25日將全年GDP成長率預測上修至3.02%,較4月預測上修0.11個百分點[3][6]。中華經濟研究院7月17日預測為3.05%,而中央研究院7月4日則預測2.93%,較去年12月預測下修0.17個百分點[8][9][10]。 各機構預測的共同特點是經濟成長呈現「前高後低」或「上熱下冷」的發展格局[3][8]。上半年受惠於美國對等關稅緩衝期將屆,企業提前拉貨效應強勁,加上AI、高效能運算及雲端相關需求旺盛,推升出口與投資動能,預估上半年GDP年增率可望超過5%[3][6]。其中第一季已達5.48%,第二季預估約4.84%[8]。

然而下半年面臨多重挑戰,包括提前拉貨效應逐漸消退、美國關稅政策不確定性持續、全球經濟成長動能放緩等因素,預估下半年GDP年增率可能回落至1%以下[3][6]。中經院預測第三、四季成長率分別為1.52%、0.66%[8][5],顯示下半年經濟動能明顯趨緩。

在需求結構方面,外需表現優於預期成為主要成長動力,但民間消費動能相對疲弱。台經院預測2025年民間消費成長率下修至1.67%,主要受經濟不確定性影響,消費者趨於保守[3]。固定資本形成受惠於半導體及相關供應鏈積極擴產,預估成長率為5.78%[3]。

對外貿易表現:出口大幅成長但基期效應逐漸顯現

根據財政部統計,2025年6月出口年增率為33.71%,雖較5月的38.62%有所回落,但仍維持強勁成長[2][3]。進口年增率為17.26%,較5月的25.00%下降。累計上半年出口較去年同期成長25.92%,進口成長20.49%,出超金額達557.1億美元,成長54.31%[3]。

出口結構方面,人工智慧與高效能運算需求強勁,推升資通與視聽產品、電子零組件年增率維持高檔[3]。但傳統產業如機械、基本金屬、塑橡膠及化學品等表現疲弱,年增率走低或轉為負成長,顯示出口成長主要集中在科技相關產業[3]。

台經院預測2025年出口與輸出年增率分別達12.24%與12.33%,較前次預測分別上修4.27與5.97個百分點,主要反映上半年提前拉貨效應的強勁表現[3]。但隨著下半年拉貨動能趨緩,外需表現預期將較原先估計疲弱。

工業生產動能:科技業強勁但傳統產業疲弱

經濟部統計顯示,2025年6月製造業生產指數為112.11,與上年同月相比成長20.03%,但較上月減少7.24%[3]。累計上半年工業生產較去年同期成長16.69%,其中製造業成長17.77%[3]。

產業結構呈現明顯分化,資訊電子產業受惠於AI、高效能運算及雲端資料服務等應用需求強勁,年增率續呈雙位數成長[3]。但傳統產業因市場需求動能不佳而續呈減產,基本金屬業與化學材料業年減6.15%與1.94%,汽車及其零件業年減3.38%[3]。

這種兩極化發展反映台灣產業結構轉型的趨勢,科技業持續扮演經濟成長的主要引擎,但傳統製造業面臨需求疲弱與國際競爭加劇的挑戰。

物價與匯率變化:通膨壓力緩解但匯率波動加劇

物價方面,2025年6月CPI年增率為1.37%,較5月的1.55%下降,核心CPI年增率亦由1.61%降至1.47%[3]。累計上半年CPI年增率為1.93%,台經院預測全年CPI成長率為1.77%,較前次預測下修0.18個百分點[3]。通膨壓力緩解主要受惠於新台幣匯率走強、國際原物料價格穩定等因素。

匯率方面出現較大波動,受美國關稅政策不確定性、聯準會政策獨立性受質疑、以及台股表現亮眼吸引外資匯入等因素影響,新台幣快速升值[3]。台經院預估2025年平均匯率為30.65元新台幣兌1美元,較前次預測升值1.55元[3]。匯率快速變動對出口導向產業造成壓力,也增加企業營運的不確定性。

政策措施與社會保障:持續強化勞工權益保護

勞動部7月1日起實施多項重大政策措施,包括身心障礙者職場合理調整行政指導生效,以及職業災害死亡勞工家屬慰助金提高至每案20萬元[11]。這些措施反映政府持續強化勞工權益保護,提升職場友善環境。

此外,政府在健康政策方面也有重要進展,總統府成立國家氣候變遷、健康台灣推動、全民防禦韌性等三大委員會,顯示政府對國家韌性建設的重視[12][13]。

未來展望與風險因素

展望2025年下半年,台灣經濟面臨多項不確定因素。首要風險來自美國關稅政策的後續發展,雖然暫緩實施對等關稅,但川普政府已明確表示將於8月1日起全面啟動高額關稅措施[3]。台美關稅協商結果將直接影響台灣出口競爭力與產業布局。

其次,中國經濟結構失衡與通縮外溢風險亦為重要隱憂。中國內需疲弱、消費信心低迷,若未來美國對中方進一步加徵高額關稅,可能引發「輸出型通縮」,影響全球貿易環境[3]。

第三,全球主要經濟體貨幣政策分歧加劇資金流動波動,新台幣匯率快速變動不僅壓縮出口產業利潤,也對企業獲利與資本支出意願造成衝擊[3]。

結論與政策建議

台灣政府7月底發布的統計資料顯示,2025年經濟表現呈現明顯的「前高後低」格局。上半年受惠於AI需求爆發與提前拉貨效應,經濟成長強勁,但下半年將面臨成長動能趨緩的挑戰。就業市場保持穩定,失業率雖因季節性因素微升但仍創24年同月新低。各預測機構普遍認為全年經濟成長可望「保3」,但需密切關注美國關稅政策、中國經濟情勢及全球貨幣政策分歧等風險因素[1][2][3][7][8][4][5][6][9][10]。

政府應持續監控經濟情勢變化,適時調整政策工具,強化產業韌性與競爭力,同時加強國際合作,降低外部不確定性對台灣經濟的衝擊。在內需方面,可考慮適度的財政刺激措施,支撐民間消費動能,確保經濟成長的穩定性與可持續性。

留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

RAG 和 Prompt 原理超簡單解說!想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務,甚至是 Siri (嘿丟,他也是一種 AI 應用服務喔) 簡單來說是非 技術人員, PM,小白,想要趕快惡補的人 ,直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於,AI 這東西會幻想,會有誤差,會對於生活有些幫助但沒有幫助的人們,做個簡單又不是太簡單的介紹,希望用一個非常入門的方式讓你們有個了解。 當然,這篇文章目的很簡單, 就是引流 ,如果你身邊有已經對於 Web 技術開發的人員,歡迎報名分享給他,年末出國不如學一技在身,參加今年我們舉辦最後一場 RAG 實作工作坊,報名連結 , https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意: 接下來每個大段落結束都會有一段工商導入,但文章絕對精彩,請注意! 為了讓各位容易想像,我們將整個世界的資訊,先濃縮到這本『西遊記』的世界觀當中,我們整個世界都在這個 『西遊記』 ,而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位,應該都有聽過,西遊記!如果沒有聽過西遊記的,請右轉出去,謝謝! 先來談談向量 在《西遊記》的世界裡,我們可以把 向量想像成一種「內容座標」 ,讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說,唐三藏的 「位置」(向量)會接近「佛經」和「取經」 的概念,因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念,因為這些是他的特徵。 相似內容靠得更近:像「佛經」和「取經」會靠近唐三藏的向量,因為它們彼此有很強的關聯。 相差較大內容會離得較遠:像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠,因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置? 簡單來說,這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊,觀察哪些詞語經常一起出現,根據「共同出現的頻率」來決定它們的關係,並且自動生成向量。例如: 如果模型看到 「唐三藏」 總是和 「取經」 一起出現,它就會讓「唐三藏」的向量靠近「取經」。 ...