Почему в многопроцессорной обработке добавить список медленнее

Во время тестирования я узнаю следующее: метод MP работает немного медленнее

def eat_time(j):
    result = []
    for j in range(10**4):
        a = 0
        for i in range(1000):
            a += 101
            result.append(a)
    return result

if __name__ == '__main__':
    #MP method
    t = time.time()
    pool = Pool()
    result = []
    data = pool.map(eat_time, [i for i in range(5)])
    for d in data:
        result += d
    print(time.time()-t) #11s for my computer

    #Normal method
    t = time.time()
    integers = []
    for i in range(5):
        integers += eat_time(i)
    print(time.time()-t) #8s for my computer

Однако, если я не требую, чтобы он eat_time() данные, изменяя eat_time() на

def eat_time(j):
    result = []
    for j in range(10**4):
        a = 0
        for i in range(1000):
            a += 101
            #result.append(a)
    return result

Время MP намного быстрее, и теперь для моего компьютера просто запустите 3s, в то время как обычный метод все еще занимает 8 секунд. (Как и ожидалось)

Мне кажется странным, поскольку result объявляется индивидуально в method, я не ожидаю, что добавление полностью разрушит MP.

Могу ли я знать, есть ли правильный способ сделать это? И почему MP медленнее при подключении?

Отредактировано для комментариев

спасибо для @torek и @akhavro уточняет суть.

Да, я понимаю, что процесс создания требует времени, поэтому проблема поднялась.

На самом деле исходный код помещал for-loop вовнутрь и вызывал простой метод снова и снова, он немного быстрее обычного метода в значительно большем количестве задач (в моем случае более 10 ** 6 вызовов).

Поэтому я переставляю код внутри и делаю метод немного сложнее. Переместившись for j in range(10**4): эта строка в eat_time().

Но похоже, что код усложняет причины задержки связи из-за большего размера данных.

Таким образом, вероятно, ответ не может решить его.