Эффективные политики в области чистых технологий (cleantech), такие как субсидии и ценообразование на углерод, требуют понимания того, как вмешательства формируют экологические и социально-экономические результаты. Для поддержки целенаправленного, основанного на фактических данных проектирования политики мы обсуждаем, как причинно-следственное машинное обучение может сравнивать альтернативные сценарии политики и выявлять, где, как и для кого работают политики в области чистых технологий.