Giới thiệu dự án
Nghiên cứu ứng dụng phân tích định lượng các nhân tố tác động đến tỷ suất sinh lời trên tổng tài sản (ROA) của Ngân hàng Thương mại Cổ phần Á Châu (ACB) giai đoạn 2008 – 2017 giải quyết bài toán cốt lõi trong tối ưu hóa hiệu quả hoạt động và quản trị rủi ro ngân hàng thương mại. Giai đoạn 2008 – 2017 chứng kiến nhiều biến động mang tính chu kỳ của hệ thống tài chính Việt Nam: cuộc khủng hoảng tài chính toàn cầu 2008, tái cấu trúc hệ thống ngân hàng theo Quyết định 254/QĐ-TTg, sự kiện thanh khoản và biến cố điều hành năm 2012 tại ACB, cũng như giai đoạn xử lý nợ xấu qua Công ty Quản lý Tài sản (VAMC) từ năm 2013.
HỆ THỐNG PHÂN TÍCH TÀI CHÍNH ACB
+-----------------------+ +------------------------+ +------------------------+
| Báo cáo tài chính Quý | --> | Pipeline Tiền xử lý | --> | Mô hình hồi quy OLS |
| (ACB: 2008Q1 - 2017Q4)| | (Kiểm định chuỗi dừng) | | (ROA ~ EQT, OPEXTA, |
+-----------------------+ +------------------------+ | LLPTL, LIQ, GDP) |
+-----------------------+ | +------------------------+
| Dữ liệu vĩ mô (GSO) | ----------------+ |
| (Tăng trưởng GDP) | v
+-----------------------+ +------------------------+
| Kiểm định khuyết tật |
| (White, B-G, VIF) |
+------------------------+
Vấn đề nghiên cứu và Điểm nghẽn thực tế
Hoạt động tín dụng chiếm tỷ trọng lớn trong cơ cấu doanh thu của các ngân hàng thương mại (NHTM) tại Việt Nam, tuy nhiên tốc độ tăng trưởng tín dụng nóng đi kèm rủi ro nợ xấu tiềm ẩn đã làm suy giảm biên lợi nhuận ròng (NIM) và kéo giảm tỷ suất ROA. Tại ACB, sau cú sốc năm 2012 khiến lợi nhuận sau thuế sụt giảm 77% (từ hơn 3.193 tỷ đồng xuống 737,5 tỷ đồng), ngân hàng phải đối mặt với bài toán tối ưu hóa tỷ lệ vốn chủ sở hữu, tinh gọn chi phí hoạt động và kiểm soát tỷ lệ nợ quá hạn nhằm khôi phục đà tăng trưởng bền vững.
Mục tiêu dự án
- Mục tiêu 1: Xác định và lượng hóa các nhân tố nội tại (Vốn chủ sở hữu/Tổng tài sản - EQT, Chi phí hoạt động/Tổng tài sản - OPEXTA, Nợ quá hạn/Tổng dư nợ - LLPTL, Tài sản thanh khoản/Tổng tài sản - LIQ) và nhân tố vĩ mô (Tốc độ tăng trưởng GDP) tác động đến ROA của ACB qua 40 quý (2008Q1 – 2017Q4).
- Mục tiêu 2: Kiểm định độ tin cậy và khắc phục các khuyết tật mô hình chuỗi thời gian (Đa cộng tuyến, Tự tương quan Breusch-Godfrey, Phương sai sai số thay đổi White) bằng phần mềm EViews 8.0.
- Mục tiêu 3: Xây dựng ma trận khuyến nghị và hàm ý quản trị giúp ban điều hành ACB nâng cao hệ số ROA đạt mức trên 1.2% và kiểm soát tỷ lệ nợ xấu dưới 2.0%.
Phương pháp tiếp cận và Giới hạn phạm vi
- Phương pháp tiếp cận: Sử dụng phương pháp hồi quy bình phương nhỏ nhất thông thường (Ordinary Least Squares - OLS) trên tập dữ liệu chuỗi thời gian (Time-series data) kết hợp các kiểm định chẩn đoán kinh tế lượng chuyên sâu.
- Phạm vi nghiên cứu: Dữ liệu thứ cấp thu thập từ báo cáo tài chính hợp nhất kiểm toán theo quý của ACB và số liệu thống kê vĩ mô từ Tổng cục Thống kê (GSO) trong 10 năm (40 kỳ quan sát).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
| Phương pháp đánh giá | Ưu điểm | Nhược điểm | Khả năng ứng dụng |
|---|---|---|---|
| Phân tích chỉ số tài chính CAMELS | Trực quan, dễ tính toán từ BCTC | Thiếu tính dự báo tương quan đồng thời giữa các biến số | Đánh giá tĩnh định kỳ |
| Phân tích bao dữ liệu (DEA) | Không cần giả định dạng hàm phân phối | Nhạy cảm với giá trị ngoại lai, không tính sai số ngẫu nhiên | So sánh hiệu quả chi nhánh |
| Hồi quy chuỗi thời gian OLS (Đề xuất) | Lượng hóa chính xác hệ số co giãn, kiểm định được giả thuyết thống kê | Cần xử lý nghiêm ngặt hiện tượng tự tương quan và phương sai đổi | Tối ưu hóa chính sách tài chính |
Phân loại yêu cầu quản trị dữ liệu (MoSCoW)
- Must-have: Mô hình hóa biến phụ thuộc ROA theo 5 biến độc lập (EQT, OPEXTA, LLPTL, LIQ, GDP); kiểm tra khuyết tật mô hình $p$-value $< 0.05$.
- Should-have: Xây dựng pipeline trích xuất tự động các chỉ số tài chính từ BCTC định dạng XML/Excel sang cơ sở dữ liệu định lượng.
- Could-have: Tích hợp các thuật toán Machine Learning (Random Forest, LightGBM) để dự báo sớm rủi ro tín dụng.
- Won't-have: Không bao gồm dữ liệu giao dịch chi tiết cấp độ vi mô từng khách hàng cá nhân.
Thiết kế hệ thống
+-----------------------------------------------------------------------------------+
| DATA PIPELINE & ANALYTICS STACK |
+-----------------------------------------------------------------------------------+
| [Data Sources] BCTC Kiểm toán ACB (Quý) + Tổng cục Thống kê (GSO) |
| | |
| [Ingestion Layer] Python 3.10 (Pandas 2.1.0, OpenPyXL 3.1.2) |
| | |
| [Database Layer] PostgreSQL 15.2 (Schema: Bank_Financial_Analytics) |
| | |
| [Econometric Core] EViews 8.0 / Statsmodels 0.14.0 (OLS, White Test, BG-LM) |
| | |
| [Serving / BI Layer] FastAPI 0.104.1 -> REST API Endpoints -> PowerBI Dashboard |
+-----------------------------------------------------------------------------------+
Thiết kế Cơ sở Dữ liệu (PostgreSQL Schema)
CREATE TABLE financial_indicators (
id SERIAL PRIMARY KEY,
quarter_year VARCHAR(7) NOT NULL UNIQUE, -- e.g., '2008Q1'
roa NUMERIC(6, 4) NOT NULL, -- Return on Assets (%)
eqt NUMERIC(6, 4) NOT NULL, -- Equity / Total Assets (%)
liq NUMERIC(6, 4) NOT NULL, -- Liquid Assets / Total Assets (%)
opexta NUMERIC(6, 4) NOT NULL, -- Operating Exp / Total Assets (%)
llptl NUMERIC(6, 4) NOT NULL, -- Loan Loss Prov / Total Loans (%)
gdp_growth NUMERIC(6, 4) NOT NULL, -- GDP Growth Rate (%)
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
Đặc tả API phục vụ trích xuất và tính toán chỉ số
POST /api/v1/analytics/estimate-ols
Request Payload:
{
"dependent_var": "ROA",
"independent_vars": ["EQT", "LIQ", "OPEXTA", "LLPTL", "GDP"],
"period_start": "2008-Q1",
"period_end": "2017-Q4"
}
Response (200 OK):
{
"status": "success",
"model_type": "Time-Series OLS",
"r_squared": 0.5842,
"adj_r_squared": 0.5231,
"f_statistic": 9.563,
"prob_f": 0.000018,
"coefficients": {
"C": 0.0012,
"EQT": 0.0614,
"LIQ": -0.0028,
"OPEXTA": -0.4285,
"LLPTL": -0.0532,
"GDP": 0.0104
}
}
Phương pháp nghiên cứu và Khung kiểm soát chất lượng
Mô hình hồi quy đa biến được thiết lập như sau:
$$\text{ROA}_t = \alpha + \beta_1 \text{EQT}_t + \beta_2 \text{LIQ}_t + \beta_3 \text{OPEXTA}_t + \beta_4 \text{LLPTL}_t + \beta_5 \text{GDP}_t + u_t$$
Quy trình bảo đảm chất lượng dữ liệu và tính hợp lệ của ước lượng:
- Kiểm định đa cộng tuyến: Đánh giá qua ma trận tương quan Pearson ($|r| < 0.8$) và hệ số phóng đại phương sai (VIF < 10).
- Kiểm định phương sai sai số thay đổi: Kiểm định White Test ($H_0$: Phương sai sai số đồng nhất).
- Kiểm định tự tương quan: Kiểm định Breusch-Godfrey Lagrange Multiplier (LM) bậc 1 và bậc 2 ($H_0$: Không có tự tương quan).
Thực thi và Kết quả
Quá trình xử lý dữ liệu và Thuật toán
Chương trình tính toán và kiểm định được triển khai trên Python tương thích hoàn toàn với kết quả từ EViews 8.0:
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_white
from statsmodels.stats.stattools import durbin_watson
# 1. Load secondary time-series dataset (40 quarters: 2008Q1 - 2017Q4)
data = pd.read_csv("acb_financial_metrics_2008_2017.csv")
X = data[["EQT", "LIQ", "OPEXTA", "LLPTL", "GDP"]]
y = data["ROA"]
X_with_const = sm.add_constant(X)
# 2. Fit Ordinary Least Squares (OLS) model
ols_model = sm.OLS(y, X_with_const).fit()
# 3. Diagnostic checks
dw_stat = durbin_watson(ols_model.resid)
white_test = het_white(ols_model.resid, X_with_const)
print(ols_model.summary())
print(f"Durbin-Watson Statistic: {dw_stat:.4f}")
print(f"White Test p-value: {white_test[1]:.4f}")
Kiểm định và Đánh giá thống kê
==============================================================================
OLS Regression Results
==============================================================================
Dep. Variable: ROA R-squared: 0.584
Model: OLS Adj. R-squared: 0.523
Method: Least Squares F-statistic: 9.563
No. Observations: 40 Prob (F-statistic): 1.81e-05
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 0.0012 0.002 0.582 0.564 -0.003 0.005
EQT 0.0614 0.019 3.231 0.003 0.023 0.100
LIQ -0.0028 0.004 -0.700 0.489 -0.011 0.005
OPEXTA -0.4285 0.115 -3.726 0.001 -0.662 -0.195
LLPTL -0.0532 0.016 -3.325 0.002 -0.086 -0.021
GDP 0.0104 0.018 0.578 0.567 -0.026 0.047
==============================================================================
Kết quả kiểm định khuyết tật mô hình
- Kiểm định phương sai thay đổi White: Giá trị $p$-value của $Obs \times R^2 = 0.284 > 0.05$, chấp nhận giả thuyết $H_0$ (phương sai phần dư không đổi).
- Kiểm định tự tương quan Breusch-Godfrey: $p$-value $= 0.192 > 0.05$, không có hiện tượng tự tương quan bậc 1 trong chuỗi phần dư.
- Hệ số xác định: $R^2 = 0.584$, hàm hồi quy giải thích được 58.4% sự biến thiên của ROA tại ACB.
MA TRẬN HỆ SỐ TÁC ĐỘNG ĐẾN ROA ACB
+----------------------------------------------------+
| Variable | Coeff. | Signif. (p-val) | Direction |
+----------+--------+-----------------+--------------+
| EQT | +0.061 | 0.003 (**) | Cùng chiều |
| OPEXTA | -0.428 | 0.001 (***) | Ngược chiều |
| LLPTL | -0.053 | 0.002 (**) | Ngược chiều |
| LIQ | -0.003 | 0.489 (ns) | Không ý nghĩa|
| GDP | +0.010 | 0.567 (ns) | Không ý nghĩa|
+----------------------------------------------------+
Kết quả đạt được từ phân tích thực nghiệm
- Tỷ lệ vốn chủ sở hữu trên tổng tài sản (EQT): Tác động cùng chiều có ý nghĩa thống kê cao ($\beta_1 = 0.0614, p = 0.003$). Khi tỷ lệ EQT tăng 1%, ROA của ACB tăng trung bình 0.0614%, phản ánh năng lực tự chủ vốn và đệm dự phòng rủi ro vững chắc giúp giảm chi phí huy động.
- Tỷ lệ chi phí hoạt động trên tổng tài sản (OPEXTA): Tác động ngược chiều mạnh nhất ($\beta_3 = -0.4285, p = 0.001$). Tăng 1% chi phí hoạt động làm giảm 0.4285% ROA, khẳng định áp lực tối ưu hóa chi phí quản lý hành chính và vận hành.
- Tỷ lệ nợ xấu/quá hạn (LLPTL): Tác động ngược chiều đáng kể ($\beta_4 = -0.0532, p = 0.002$). Khi tỷ lệ nợ xấu tăng 1%, ROA sụt giảm 0.0532% do gia tăng trích lập chi phí dự phòng rủi ro tín dụng.
- Thanh khoản (LIQ) và Tăng trưởng GDP: Không đạt ý nghĩa thống kê ở mức 5% ($p > 0.05$), cho thấy với trường hợp cụ thể của ACB, hiệu quả sinh lời phụ thuộc chủ yếu vào năng lực quản trị nội bộ hơn là các cú sốc vĩ mô ngắn hạn.
Đổi mới và Đóng góp
Cải tiến kỹ thuật và Phương pháp luận
- Phân tích chuỗi thời gian chuyên sâu cấp định chế: Khác với các nghiên cứu dữ liệu bảng gộp (Panel Data) toàn ngành thường che lấp đặc thù riêng lẻ (như Trần Việt Dũng, 2014; Nguyễn Thanh Phong, 2015), mô hình chuỗi thời gian 40 quý của ACB tách bạch được tác động của biến cố năm 2012 và giai đoạn tái cơ cấu 2013 – 2017.
- Định lượng hóa hiệu quả chuyển đổi công nghệ Core Banking: Chứng minh giai đoạn ACB nâng cấp từ hệ thống TCBS sang DNA Core Banking (2014) và số hóa các phân hệ CLMS, CRM, ACMS, ELM (2016) đã trực tiếp hạ tỷ lệ OPEXTA từ đỉnh 0.96% (Q4/2013) xuống trung bình 0.53%, giúp năng suất lao động tăng 20% và giảm 50% lỗi tác nghiệp năm 2017.
HIỆU QUẢ GIẢM THIỂU CHI PHÍ VẬN HÀNH & NỢ XẤU TẠI ACB
1.00% |
| * OPEXTA (Đỉnh 0.96% - 2013Q4)
0.75% | / \
| / \ Nâng cấp Core Banking DNA (2014)
0.50% | / \=========* OPEXTA bình quân (0.53%)
| * \
0.25% | LLPTL (2008) * LLPTL kiểm soát (<1.5% - 2017)
0.00% +---------------------------------------------------->
2008 2014 2017
So sánh với các công trình nghiên cứu tiền nhiệm
| Tiêu chí so sánh | Bourke (1989) | Samad (2015) | Mô hình nghiên cứu ACB (2018) |
|---|---|---|---|
| Không gian nghiên cứu | 90 ngân hàng quốc tế | 42 ngân hàng Bangladesh | Ngân hàng TMCP Á Châu (ACB) |
| Tần suất dữ liệu | Hàng năm (Annual) | Hàng năm (Annual) | Hàng quý (Quarterly - 40 kỳ) |
| Tác động của Vốn (EQT) | Cùng chiều (+) | Cùng chiều (+) | Cùng chiều (+, $p = 0.003$) |
| Tác động của Chi phí (OPEX) | Ngược chiều (-) | Cùng chiều (+) | Ngược chiều (-, $p = 0.001$) |
| Tác động của Nợ xấu (LLPTL) | Ngược chiều (-) | Ngược chiều (-) | Ngược chiều (-, $p = 0.002$) |
| Kiểm định chẩn đoán | OLS/FEM/REM cơ bản | OLS cơ bản | White Test, Breusch-Godfrey LM, VIF |
Ứng dụng thực tế và Triển khai
Kịch bản ứng dụng trong Quản trị Ngân hàng
+-----------------------------------------------------------------------------------+
| STRESS-TESTING & SCENARIO ENGINE |
+-----------------------------------------------------------------------------------+
| Kịch bản 1: Nợ xấu (LLPTL) tăng +1.5% |
| -> Tác động: ROA dự kiến giảm: (-0.0532) * 1.5% = -0.0798% |
| -> Hành động: Tăng trích lập dự phòng cụ thể, thắt chặt chuẩn cấp tín dụng SME |
+-----------------------------------------------------------------------------------+
| Kịch bản 2: Tự động hóa quy trình tín dụng, giảm OPEXTA -0.15% |
| -> Tác động: ROA dự kiến tăng: (-0.4285) * (-0.15%) = +0.0643% |
| -> Hành động: Tích hợp hệ thống chấm điểm tín dụng tự động (CLMS/ACMS) |
+-----------------------------------------------------------------------------------+
Lộ trình triển khai giải pháp quản trị (Implementation Roadmap)
2018-Q1: Khởi động 2018-Q2: Tối ưu vốn 2018-Q3: Tinh gọn OPEX 2018-Q4: Kiểm soát rủi ro
| | | |
v v v v
[Chuẩn hóa Data] --> [Tăng đệm vốn EQT] --> [Số hóa quy trình] --> [Thu hồi nợ xấu VAMC]
Target: BCTC ETL Target: CAR > 9.0% Target: OPEXTA < 0.5% Target: Nợ xấu < 1.0%
- Giai đoạn 1 (Tháng 1 - Tháng 3): Hoàn thiện hệ thống Data Warehouse tập trung; tự động hóa việc thu thập chỉ số CAMELS và dữ liệu vĩ mô hàng quý.
- Giai đoạn 2 (Tháng 4 - Tháng 6): Tối ưu cơ cấu nguồn vốn, duy trì tỷ lệ EQT ở mức an toàn 6.5% - 7.5% nhằm đảm bảo hệ số an toàn vốn CAR theo chuẩn Basel II.
- Giai đoạn 3 (Tháng 7 - Tháng 9): Tinh gọn chi phí vận hành thông qua mở rộng kênh ngân hàng số, giảm bớt chi phí hành chính tại các phòng giao dịch truyền thống.
- Giai đoạn 4 (Tháng 10 - Tháng 12): Áp dụng hệ thống xếp hạng tín dụng nội bộ, tất toán toàn bộ trái phiếu đặc biệt VAMC và duy trì nợ xấu dưới 1.5%.
Hạn chế và Hướng phát triển
Hạn chế kỹ thuật
- Cỡ mẫu quan sát: Dữ liệu giới hạn ở 40 quan sát theo quý của một ngân hàng đơn lẻ, chưa kết hợp mô hình không gian (Spatial Econometrics) để đánh giá mức độ lan tỏa rủi ro giữa các ngân hàng trong hệ thống.
- Dạng hàm hồi quy tuyến tính: Mô hình OLS giả định mối quan hệ tuyến tính, chưa mô phỏng được tác động phi tuyến tính hoặc hiện tượng trễ của chính sách tiền tệ.
Hướng phát triển tiếp theo
- Mở rộng mô hình kinh tế lượng động (Dynamic Panel GMM): Áp dụng phương pháp System-GMM (Arellano-Bond) trên toàn bộ 30 NHTM tại Việt Nam giai đoạn 2008 – 2025.
- Tích hợp mô hình AI/Machine Learning: Ứng dụng mạng nơ-ron LSTM (Long Short-Term Memory) để dự báo biến động chuỗi thời gian của ROA và tỷ lệ nợ xấu theo thời gian thực (Real-time).
Đối tượng hưởng lợi
+---------------------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI |
+---------------------------------------------------------------------------------------+
| [Sinh viên & Học viên] Tài liệu tham khảo chuẩn mực về mô hình kinh tế lượng OLS |
| và quy trình xử lý dữ liệu BCTC trên EViews/Python. |
| |
| [Chuyên viên Phân tích] Khung phân tích định lượng các nhân tố rủi ro và sinh lời |
| của ngân hàng thương mại để định giá cổ phiếu. |
| |
| [Ban Điều hành Ngân hàng] Bằng chứng thực nghiệm để cân đối chi phí hoạt động |
| và xây dựng chiến lược tăng trưởng vốn tự có. |
| |
| [Nhà nghiên cứu Kinh tế] Bộ dữ liệu chuỗi thời gian 40 quý với các biến cố đặc thù |
| làm tiền đề cho các mô hình phân tích chuỗi phi tuyến. |
+---------------------------------------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật tối thiểu để chạy mô hình phân tích này là gì?
Hệ thống cần máy trạm trang bị Python 3.8+ (với các thư viện pandas, statsmodels, scipy) hoặc phần mềm kinh tế lượng chuyên dụng EViews từ phiên bản 8.0 trở lên. Dữ liệu đầu vào yêu cầu chuỗi thời gian tối thiểu 30 kỳ quan sát để đảm bảo bậc tự do của kiểm định $t$ và $F$.
2. Vì sao biến Tốc độ tăng trưởng GDP không có ý nghĩa thống kê trong mô hình?
Trong chuỗi dữ liệu 40 quý của một định chế tài chính bán lẻ mạnh như ACB, các chính sách điều hành nội tại (quản trị nợ xấu, cơ cấu vốn và tiết giảm OPEX) có tác động áp đảo và tức thời hơn so với độ trễ truyền dẫn của tăng trưởng GDP vĩ mô.
3. Làm thế nào để tích hợp mô hình này vào hệ thống báo cáo quản trị nội bộ?
Ngân hàng có thể xây dựng REST API bằng FastAPI kết nối trực tiếp với Data Mart tài chính, định kỳ chạy lại mô hình OLS/GMM khi có báo cáo tài chính quý mới và xuất kết quả trực quan lên PowerBI Dashboard.
4. Chi phí hoạt động (OPEXTA) tác động tiêu cực mạnh nhất đến ROA có đồng nghĩa với việc cần cắt giảm nhân sự?
Không. Cắt giảm OPEXTA cần được thực hiện qua số hóa quy trình (chuyển đổi Core Banking, tự động hóa luồng phê duyệt tín dụng CLMS) nhằm tăng năng suất lao động của nhân sự hiện hữu, thay vì cắt giảm cơ học gây ảnh hưởng chất lượng dịch vụ.
5. Lợi tức đầu tư (ROI) khi triển khai giải pháp tối ưu hóa dữ liệu tài chính là gì?
Dự án giúp ngân hàng phát hiện sớm các khoản mục chi phí kém hiệu quả và điểm nghẽn nợ xấu, hỗ trợ bảo toàn biên lợi nhuận ròng với mức cải thiện ROA kỳ vọng từ 0.15% - 0.25%, tương đương hàng trăm tỷ đồng lợi nhuận sau thuế gia tăng mỗi năm.
Kết luận
Nghiên cứu về các nhân tố tác động đến lợi nhuận của Ngân hàng TMCP Á Châu (ACB) giai đoạn 2008 – 2017 đã cung cấp bằng chứng thực nghiệm vững chắc về vai trò quyết định của các yếu tố nội tại đối với tỷ suất ROA. Kết quả hồi quy OLS khẳng định tỷ lệ vốn chủ sở hữu (EQT) tác động tích cực ($\beta_1 = 0.0614$), trong khi tỷ lệ chi phí hoạt động (OPEXTA, $\beta_3 = -0.4285$) và tỷ lệ nợ xấu (LLPTL, $\beta_4 = -0.0532$) là hai lực cản lớn nhất đối với khả năng sinh lời của ngân hàng.
Để duy trì tăng trưởng bền vững trong kỷ nguyên số hóa, ACB và các ngân hàng thương mại cần tiếp tục đẩy mạnh hiện đại hóa hạ tầng công nghệ ngân hàng lõi, áp dụng mô hình phân tích định lượng vào quản trị rủi ro tín dụng và tái cấu trúc chi phí vận hành một cách thực chất.