Provincial Tourism Mobility and Post-Pandemic Recovery in Türkiye: A Clustering and Panel Data Analysis Based on Accommodation Statistics (2015–2025)

Abstract

This study examines post-pandemic tourism recovery across Türkiye’s 81 provinces using official accommodation and population data for 2015–2025. The balanced panel contains 891 province-year observations and is analysed through descriptive statistics, K-means clusters defined only by pre-pandemic (2015–2019) profiles, 2019=100 recovery indices, and province fixed-effects models. Descriptive statistics, correlation analysis and K-means clustering outputs were produced in IBM SPSS Statistics; panel modelling and index calculations were conducted in RStudio; and visualisations were prepared using the Python-based Matplotlib library. Province-clustered standard errors are used in the main specifications, with Driscoll–Kraay standard errors as a sensitivity check. The most robust patterns are the 2020 contraction and the 2022 rebound across all outcomes. High-volume provinces experienced larger 2020 declines in total arrivals, domestic arrivals, and overnight stays. Estimates for 2023–2025 are more sensitive to the outcome and covariance structure. The estimates are therefore interpreted as within-province empirical patterns under common shocks rather than causal effects. The study contributes by linking a pre-pandemic structural typology of provinces to subsequent recovery paths and by testing whether volume-based patterns persist under population-normalised intensity indicators.

Keywords

• tourism recovery
• accommodation statistics
• panel data analysis
• K-means clustering
• COVID-19
• Türkiye

Türkiye’de İl Düzeyinde Turizm Hareketliliği ve Pandemi Sonrası Toparlanma: Konaklama İstatistikleri Üzerinden Kümeleme ve Panel Veri Analizi (2015–2025)

Abstract

Bu çalışma, Türkiye’de il düzeyindeki pandemi sonrası turizm toparlanmasını 2015–2025 dönemine ait resmi konaklama ve nüfus verileriyle incelemektedir. Araştırma 81 il ve 891 gözlemden oluşan dengeli paneli; betimsel istatistikler, pandemi öncesi (2015–2019) profillerle K-means kümeleme, 2019=100 toparlanma endeksleri ve il sabit etkili panel modelleriyle çözümlemektedir. Betimsel istatistikler, korelasyon analizleri ve K-means kümeleme çıktıları IBM SPSS Statistics ortamında üretilmiş; panel modelleme ve endeks hesaplamaları RStudio ortamında yürütülmüş; görselleştirmeler Python tabanlı Matplotlib kütüphanesiyle hazırlanmıştır. Ana modeller il düzeyinde kümelenmiş sağlam standart hatalarla, duyarlılık analizi ise Driscoll–Kraay standart hatalarıyla tahmin edilmiştir. Bulgular 2020 daralmasının ve 2022 toparlanmasının bütün göstergelerde en dayanıklı örüntüler olduğunu göstermektedir. Yüksek hacimli illerde 2020 daralması toplam geliş, yerli geliş ve gecelemelerde daha büyüktür. Buna karşılık 2023–2025 katsayılarının yönü ve anlamlılığı göstergeye ve hata yapısına daha duyarlıdır. Sonuçlar nedensel etki olarak değil, ortak şoklar altındaki il içi değişimlerin ampirik özeti olarak yorumlanmıştır. Çalışma, pandemi öncesi yapısal il tipolojisini sonraki toparlanma patikalarıyla ilişkilendirerek ve hacim temelli sonuçları nüfusa göre yoğunluk göstergeleriyle sınayarak katkı sunmaktadır.

Keywords

• turizm toparlanması
• konaklama istatistikleri
• panel veri analizi
• K-means kümeleme
• COVID-19
• Türkiye

References

1. AFAD. (2023). 06 Şubat 2023 Pazarcık-Elbistan (Kahramanmaraş) Mw 7.7-Mw 7.6 depremleri raporu. https://deprem.afad.gov.tr
2. Baltagi, B. H. (2021). Econometric analysis of panel data (6th ed.). Springer.
3. Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster-robust inference. Journal of Human Resources, 50(2), 317–372. https://doi.org/10.3368/jhr.50.2.317
4. Curtale, R., Batista e Silva, F., Proietti, P., & Barranco, R. (2023). Impact of COVID-19 on tourism demand in European regions: An analysis of the factors affecting loss in overnight stays. Annals of Tourism Research Empirical Insights, 4(2), Article 100112. https://doi.org/10.1016/j.annale.2023.100112
5. Driscoll, J. C., & Kraay, A. C. (1998). Consistent covariance matrix estimation with spatially dependent panel data. Review of Economics and Statistics, 80(4), 549–560. https://doi.org/10.1162/003465398557825
6. Drukker, D. M. (2003). Testing for serial correlation in linear panel-data models. Stata Journal, 3(2), 168–177. https://doi.org/10.1177/1536867X0300300206
7. Gössling, S., Scott, D., & Hall, C. M. (2021). Pandemics, tourism and global change: A rapid assessment of COVID-19. Journal of Sustainable Tourism, 29(1), 1–20. https://doi.org/10.1080/09669582.2020.1758708
8. Hajilo, M., Pennington-Gray, L., Tahmasbi, S., & Gheshlagh, S. I. (2024). Understanding spatial tourism destination recovery in Iran. Journal of Contingencies and Crisis Management, 32, Article e12536. https://doi.org/10.1111/1468-5973.12536

9. Hall, C. M., Scott, D., & Gössling, S. (2020). Pandemics, transformations and tourism: Be careful what you wish for. Tourism Geographies, 22(3), 577–598. https://doi.org/10.1080/14616688.2020.1759131
10. Hoechle, D. (2007). Robust standard errors for panel regressions with cross-sectional dependence. Stata Journal, 7(3), 281–312. https://doi.org/10.1177/1536867X0700700301
11. Lv, W., Fan, W., & Wang, Z. (2024). How to enhance the resilience of domestic tourism? Journal of Hospitality and Tourism Management, 61, 165–177. https://doi.org/10.1016/j.jhtm.2024.10.002
12. MacQueen, J. B. (1967). Some methods for classification and analysis of multivariate observations. In L. M. Le Cam & J. Neyman (Eds.), Proceedings of the fifth Berkeley symposium on mathematical statistics and probability (pp. 281–297). University of California Press.
13. Pesaran, M. H. (2004). General diagnostic tests for cross section dependence in panels [Working paper No. 0435]. Cambridge Working Papers in Economics.
14. Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
15. Sharma, G. D., Thomas, A., & Paul, J. (2021). Reviving tourism industry post-COVID-19: A resilience-based framework. Tourism Management Perspectives, 37, Article 100786. https://doi.org/10.1016/j.tmp.2020.100786
16. Sigala, M. (2020). Tourism and COVID-19: Impacts and implications for advancing and resetting industry and research. Journal of Business Research, 117, 312–321. https://doi.org/10.1016/j.jbusres.2020.06.015
17. T.C. Kültür ve Turizm Bakanlığı. (t.y.). Bakanlık belgeli tesis konaklama istatistikleri. 19 Mart 2026 tarihinde https://yigm.ktb.gov.tr adresinden erişilmiştir.
18. T.C. Kültür ve Turizm Bakanlığı. (t.y.). Metaveri: Bakanlık belgeli tesis konaklama istatistikleri. 19 Mart 2026 tarihinde https://yigm.ktb.gov.tr adresinden erişilmiştir.
19. Tuncay, C. S., & Yazıcı Ayyıldız, A. (2022). Konaklama işletmelerinin Covid-19 pandemi süreci uygulamalarının müşteri deneyimine olumsuz etkileri. Türk Turizm Araştırmaları Dergisi, 6(2), 397–410. https://doi.org/10.26677/TR1010.2022.1002
20. TÜİK. (t.y.). Adrese dayalı nüfus kayıt sistemi (ADNKS). 19 Mart 2026 tarihinde https://nip.tuik.gov.tr adresinden erişilmiştir.
21. Volgger, M., Taplin, R., & Aebli, A. (2021). Recovery of domestic tourism during the COVID-19 pandemic: An experimental comparison of interventions. Journal of Hospitality and Tourism Management, 48, 428–440. https://doi.org/10.1016/j.jhtm.2021.07.015
22. Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data (2nd ed.). MIT Press.
23. Wszendybył-Skulska, E., Najda-Janoszka, M., Jezierski, A., Kościółek, S., & Panasiuk, A. (2024). Exploring resilience of regional tourism: Evidence from Poland. Journal of Entrepreneurship, Management and Innovation, 20(3), 25–45. https://doi.org/10.7341/20242032