cor(x, y) mede o quanto duas colunas se aproximam de uma linha reta, de -1 a 1. Um valor perto de 0 significa que não há padrão em linha reta, não que "não há relação". Um valor ausente faz cor() devolver NA; use = "complete.obs" deixa essas linhas de fora.
Um modelo linear descreve uma coluna a partir de outras. lm(minutes ~ distance_km, data = routes) se lê "minutos explicados pela distância". coef(model) dá o intercepto (os minutos previstos com zero km) e a inclinação (os minutos a mais por km). Extraia um pelo nome: coef(model)[["distance_km"]].
Adicione preditores com +: em minutes ~ distance_km + stops, o coeficiente das paradas é o tempo a mais por parada para rotas da mesma distância. Por isso ele pode ser diferente da inclinação de um modelo só com as paradas.
predict(model, newdata = tibble(distance_km = 12, stops = 6)) dá a estimativa do modelo para uma rota nova. A correlação e os coeficientes descrevem os dados; sozinhos, não provam que uma coisa causa outra.
Uma correlação, um modelo com dois preditores, seus coeficientes e uma previsão.