cor(x, y) mide cuánto se acercan dos columnas a una línea recta, de -1 a 1. Un valor cercano a 0 significa que no hay un patrón en línea recta, no que "no haya relación". Un valor que falta hace que cor() devuelva NA; use = "complete.obs" deja fuera esas filas.
Un modelo lineal describe una columna a partir de otras. lm(minutes ~ distance_km, data = routes) se lee "minutos explicados por la distancia". coef(model) da el intercepto (los minutos previstos con cero km) y la pendiente (los minutos de más por km). Saca uno por su nombre: coef(model)[["distance_km"]].
Añade predictores con +: en minutes ~ distance_km + stops, el coeficiente de las paradas es el tiempo de más por parada para rutas de la misma distancia. Por eso puede ser distinto de la pendiente de un modelo solo con las paradas.
predict(model, newdata = tibble(distance_km = 12, stops = 6)) da la estimación del modelo para una ruta nueva. La correlación y los coeficientes describen los datos; por sí solos no demuestran que una cosa cause otra.
Una correlación, un modelo con dos predictores, sus coeficientes y una predicción.